方程拟合算法

‘壹’ 统计学（方程拟合）

洛伦兹曲线的方法 尽管可根据收入分配的统计数据加以描绘，但至今却未能找到一种有效的方法，准确地拟合洛伦兹曲线方程并由此求出精确的基尼系数。目前常被使用

‘贰’ 数据拟合算法

解：设一共有n个方程，第i个方程形如aiX1+biX2=ci，其中ai,bi,ci是已知数
设di(x1,x2)=(ci-aix1-bix2)(ci-aix1-bix2)
设D= d1+d2+...dn
原问题就是求D的极小值，分别求D关于x1和x2的偏导数，得

Dx1=2a1(a1x1+b1x2-c1)+2a2(a2x1+b2x2-c2)+...2an(anx1+bnx2-cn)
Dx2=2b1(a1x1+b1x2-c1)+2b2(a2x1+b2x2-c2)+...2bn(anx1+bnx2-cn)
极小值处偏导数等于0，所以令Dx1=0,Dx2=0建立方程组，解得
x1=(F*B-G*E)/(A*B-E*E）
x2=(G*A-F*E)/(A*B-E*E)
其中F=a1c1+a2c2+...+ancn
G=b1c1+b2c2+...+bncn
E=a1b1+a2b2+...+anbn
A=a1a1+a2a2+...+anan
B=b1b1+b2b2+...+bnbn
具体数据这里就不算了，用excel把公式打进去就可以算，另外excel本身就带拟合功能

‘叁’ 曲线拟合的方法

用Matlab进行曲线拟合步骤：
一、 单一变量的曲线逼近
Matlab有一个功能强大的曲线拟合工具箱 cftool ，使用方便，能实现多种类型的线性、非线性曲线拟合。下面结合我使用的 Matlab R2007b 来简单介绍如何使用这个工具箱。
假设我们要拟合的函数形式是 y=A*x*x + B*x, 且A>0,B>0 。
1、在命令行输入数据：
》x=[110.3323 148.7328 178.064 202.8258033 224.7105 244.5711 262.908 280.0447 296.204 311.5475]；
》y=[5 10 15 20 25 30 35 40 45 50]；
2、启动曲线拟合工具箱 》cftool
3、进入曲线拟合工具箱界面“Curve Fitting tool” （1）点击“Data”按钮，弹出“Data”窗口；
（2）利用X data和Y data的下拉菜单读入数据x,y，可修改数据集名“Data set name”，然后点击“Create data set”按钮，退出“Data”窗口，返回工具箱界面，这时会自动画出数据集的曲线图；
（3）点击“Fitting”按钮，弹出“Fitting”窗口；
（4）点击“New fit”按钮，可修改拟合项目名称“Fit name”，通过“Data set”下拉菜单选择数据集，然后通过下拉菜单“Type of fit”选择拟合曲线的类型，工具箱提供的拟合类型有：  Custom Equations：用户自定义的函数类型
 Exponential：指数逼近，有2种类型， a*exp(b*x) 、 a*exp(b*x) + c*exp(d*x)  Fourier：傅立叶逼近，有7种类型，基础型是 a0 + a1*cos(x*w) + b1*sin(x*w)  Gaussian：高斯逼近，有8种类型，基础型是 a1*exp(-((x-b1)/c1)^2)
 Interpolant：插值逼近，有4种类型，linear、nearest neighbor、cubic spline、shape-preserving
 Polynomial：多形式逼近，有9种类型，linear ~、quadratic ~、cubic ~、4-9th degree ~
 Power：幂逼近，有2种类型，a*x^b 、a*x^b + c
 Rational：有理数逼近，分子、分母共有的类型是linear ~、quadratic ~、cubic ~、4-5th degree ~；此外，分子还包括constant型
 Smoothing Spline：平滑逼近（翻译的不大恰当，不好意思）
 Sum of Sin Functions：正弦曲线逼近，有8种类型，基础型是 a1*sin(b1*x + c1)  Weibull：只有一种，a*b*x^(b-1)*exp(-a*x^b)
选择好所需的拟合曲线类型及其子类型，并进行相关设置：
——如果是非自定义的类型，根据实际需要点击“Fit options”按钮，设置拟合算法、修改待估计参数的上下限等参数；
——如果选Custom Equations，点击“New”按钮，弹出自定义函数等式窗口，有“Linear Equations线性等式”和“General Equations构造等式”两种标签。
在本例中选Custom Equations，点击“New”按钮，选择“General Equations”标签，输入函数类型y=a*x*x + b*x，设置参数a、b的上下限，然后点击OK。
（5）类型设置完成后，点击“Apply”按钮，就可以在Results框中得到拟合结果，如下例： general model: f(x) = a*x*x+b*x
Coefficients (with 95% confidence bounds): a = 0.009194 (0.009019, 0.00937) b = 1.78e-011 (fixed at bound)
Goodness of fit: SSE: 6.146 R-square: 0.997
Adjusted R-square: 0.997 RMSE: 0.8263
同时，也会在工具箱窗口中显示拟合曲线。
这样，就完成一次曲线拟合啦，十分方便快捷。当然，如果你觉得拟合效果不好，还可以在“Fitting”窗口点击“New fit”按钮，按照步骤（4）~（5）进行一次新的拟合。
不过，需要注意的是，cftool 工具箱只能进行单个变量的曲线拟合，即待拟合的公式中，变量只能有一个。对于混合型的曲线，例如 y = a*x + b/x ，工具箱的拟合效果并不好。下一篇文章我介绍帮同学做的一个非线性函数的曲线拟合。

‘肆’ 请问采用什么方法能拟合出方程里的两个参数

采用什么方法能拟合出方程里的两个参数？一般可以用nlinfit（）、 lsqcurvefit（）、 lsqnonlin（）这三个常用的函数来拟合系数，也可以用遗传算法来求。今以nlinfit函数为例说明，其拟合过程：
第一步，将三个自变量赋值给x，一个因变量赋值给y。即 x=[自变量1,自变量2,自变量3]；y=[因变量]；
第二步，自定义数学模型表达式。即 func=@(a,x) 数学模型表达式
第三步，初定拟合系数的初值，即a0=[a01,a02,a03,a04] %这里假定未知系数有4个
第四步，使用nlinfit函数求解其数学模型的系数，即
[a,r,J]=nlinfit(x,y,func,x0);
第五步，使用 nlparci函数求拟合系数的置信区间，即
ci = nlparci(p,r,J)
第六步，计算拟合值，即 yi=func(a,x)
第七步，计算拟合精度R²，判断拟合是否成功。

‘伍’ 曲线拟合一般有哪些方法

用Matlab进行曲线拟合步骤：
一、 单一变量的曲线逼近
Matlab有一个功能强大的曲线拟合工具箱 cftool ，使用方便，能实现多种类型的线性、非线性曲线拟合。下面结合我使用的 Matlab R2007b 来简单介绍如何使用这个工具箱。
假设我们要拟合的函数形式是 y=A*x*x + B*x, 且A>0,B>0 。
1、在命令行输入数据：
》x=[110.3323 148.7328 178.064 202.8258033 224.7105 244.5711 262.908 280.0447 296.204 311.5475]；
》y=[5 10 15 20 25 30 35 40 45 50]；
2、启动曲线拟合工具箱 》cftool
3、进入曲线拟合工具箱界面“Curve Fitting tool” （1）点击“Data”按钮，弹出“Data”窗口；
（2）利用X data和Y data的下拉菜单读入数据x,y，可修改数据集名“Data set name”，然后点击“Create data set”按钮，退出“Data”窗口，返回工具箱界面，这时会自动画出数据集的曲线图；
（3）点击“Fitting”按钮，弹出“Fitting”窗口；
（4）点击“New fit”按钮，可修改拟合项目名称“Fit name”，通过“Data set”下拉菜单选择数据集，然后通过下拉菜单“Type of fit”选择拟合曲线的类型，工具箱提供的拟合类型有：  Custom Equations：用户自定义的函数类型
 Exponential：指数逼近，有2种类型， a*exp(b*x) 、 a*exp(b*x) + c*exp(d*x)  Fourier：傅立叶逼近，有7种类型，基础型是 a0 + a1*cos(x*w) + b1*sin(x*w)  Gaussian：高斯逼近，有8种类型，基础型是 a1*exp(-((x-b1)/c1)^2)
 Interpolant：插值逼近，有4种类型，linear、nearest neighbor、cubic spline、shape-preserving
 Polynomial：多形式逼近，有9种类型，linear ~、quadratic ~、cubic ~、4-9th degree ~
 Power：幂逼近，有2种类型，a*x^b 、a*x^b + c
 Rational：有理数逼近，分子、分母共有的类型是linear ~、quadratic ~、cubic ~、4-5th degree ~；此外，分子还包括constant型
 Smoothing Spline：平滑逼近（翻译的不大恰当，不好意思）
 Sum of Sin Functions：正弦曲线逼近，有8种类型，基础型是 a1*sin(b1*x + c1)  Weibull：只有一种，a*b*x^(b-1)*exp(-a*x^b)
选择好所需的拟合曲线类型及其子类型，并进行相关设置：
——如果是非自定义的类型，根据实际需要点击“Fit options”按钮，设置拟合算法、修改待估计参数的上下限等参数；
——如果选Custom Equations，点击“New”按钮，弹出自定义函数等式窗口，有“Linear Equations线性等式”和“General Equations构造等式”两种标签。
在本例中选Custom Equations，点击“New”按钮，选择“General Equations”标签，输入函数类型y=a*x*x + b*x，设置参数a、b的上下限，然后点击OK。
（5）类型设置完成后，点击“Apply”按钮，就可以在Results框中得到拟合结果，如下例： general model: f(x) = a*x*x+b*x
Coefficients (with 95% confidence bounds): a = 0.009194 (0.009019, 0.00937) b = 1.78e-011 (fixed at bound)
Goodness of fit: SSE: 6.146 R-square: 0.997
Adjusted R-square: 0.997 RMSE: 0.8263
同时，也会在工具箱窗口中显示拟合曲线。
这样，就完成一次曲线拟合啦，十分方便快捷。当然，如果你觉得拟合效果不好，还可以在“Fitting”窗口点击“New fit”按钮，按照步骤（4）~（5）进行一次新的拟合。
不过，需要注意的是，cftool 工具箱只能进行单个变量的曲线拟合，即待拟合的公式中，变量只能有一个。对于混合型的曲线，例如 y = a*x + b/x ，工具箱的拟合效果并不好。下一篇文章我介绍帮同学做的一个非线性函数的曲线拟合。

‘陆’ 线性回归的拟合方程

一般来说，线性回归都可以通过最小二乘法求出其方程，可以计算出对于y=bx+a的直线，其经验拟合方程如下：
其相关系数（即通常说的拟合的好坏）可以用以下公式来计算：
虽然不同的统计软件可能会用不同的格式给出回归的结果，但是它们的基本内容是一致的。以STATA的输出为例来说明如何理解回归分析的结果。在这个例子中，测试读者的性别（gender），年龄（age），知识程度（know）与文档的次序（noofdoc）对他们所觉得的文档质量(relevance)的影响。
输出：
Source | SS df MS Number of obs = 242
-------------+------------------------------------------ F ( 4, 237) = 2.76
Model | 14.0069855 4 3.50174637 Prob > F = 0.0283
Resial | 300.279172 237 1.26700072 R-squared = 0.0446
------------- +------------------------------------------- Adj R-squared = 0.0284
Total | 314.286157 241 1.30409194 Root MSE = 1.1256
------------------------------------------------------------------------------------------------
relevance | Coef. Std. Err. t P>|t| Beta
---------------+--------------------------------------------------------------------------------
gender | -.2111061 .1627241 -1.30 0.196 -.0825009
age | -.1020986 .0486324 -2.10 0.037 -.1341841
know | .0022537 .0535243 0.04 0.966 .0026877
noofdoc | -.3291053 .1382645 -2.38 0.018 -.1513428
_cons | 7.334757 1.072246 6.84 0.000 .
------------------------------------------------------------------------------------------- ，，
其中，代表y的平方和；是相关系数，代表变异被回归直线解释的比例；就是不能被回归直线解释的变异，即SSE。
根据回归系数与直线斜率的关系，可以得到等价形式：，其中b为直线斜率 ，其中是实际测量值，是根据直线方程算出来的预测值