Matlab这玩意儿搞曲线拟合真是顺手，尤其是处理那些看起来乱七八糟的实验数据。咱先从最简单的线性最小二乘法开整。看这段代码

基于Matlab的函数逼近与曲线（面）拟合 12页说明文档 包括曲线拟合的线性最小二乘法、多项式拟合、拟合曲线的线性变换、最佳均方逼近、三角多项式逼近、随机数据点上的二元拟合相关程序 程序已调通，可直接运行

x = linspace(0,10,20); y = 3*x + 2 + randn(size(x)); % 带噪声的线性数据 A = [x(:), ones(size(x(:)))]; coeff = A\y(:); disp(['斜率:',num2str(coeff(1)),' 截距:',num2str(coeff(2))]);

这里有个骚操作——用反斜杠直接解超定方程组。A矩阵的第一列是自变量，第二列全1用来求截距。注意x(:)的用法，不管原始x是行向量还是列向量，这步强制转列向量避免维度翻车。

多项式拟合大家用得最多，但阶数选不好就翻车。看看这个自动选阶的套路：

function optimal_polyfit(x,y,max_degree) mse = zeros(1,max_degree); for d = 1:max_degree p = polyfit(x,y,d); mse(d) = mean((polyval(p,x)-y).^2); end [~,best_degree] = min(mse); figure;plot(1:max_degree,mse,'bo-'); title('均方误差随阶数变化'); end

这个函数画出的误差曲线拐点就是最佳阶数。遇到过拟合的时候，曲线在高阶区域会出现震荡回升，这时候需要正则化来治。

处理量纲不一致的数据得用线性变换。比如温度传感器数据：

raw_data = [32, 0.8; 212, 4.2]; % [华氏度, 电压] T = @(V) (V - 0.8)*(180/(4.2-0.8)) + 32; % 标定公式

这个匿名函数实现了数据线性变换，比直接存储斜率截距更直观。注意这里用的是两点标定法，实际工程中常用最小二乘法标定多个数据点。

基于Matlab的函数逼近与曲线（面）拟合 12页说明文档 包括曲线拟合的线性最小二乘法、多项式拟合、拟合曲线的线性变换、最佳均方逼近、三角多项式逼近、随机数据点上的二元拟合相关程序 程序已调通，可直接运行

最佳均方逼近和普通最小二乘的区别在于处理对象是连续函数。举个sin函数逼近的例子：

x = linspace(0,2*pi,100); target = @(x) sin(x); basis = {@(x)1, @(x)x, @(x)x.^2}; % 基函数 A = cell2mat(cellfun(@(f)f(x'),basis,'UniformOutput',false)); coeff = A\target(x')';

这里用了匿名函数构建基函数组，cellfun自动拼接设计矩阵。不过注意病态矩阵问题——当基函数线性相关性高时，需要改用正交多项式基。

三角多项式逼近适合周期信号处理。看这段频谱拟合：

t = linspace(0,10,500); y = 5*sin(2*pi*0.5*t) + 3*cos(2*pi*2*t) + randn(size(t)); n = 10; % 谐波次数 [an,bn] = trigfit(t,y,n);

其中trigfit函数内部用FFT实现快速计算。重点在于采样频率要满足奈奎斯特准则，否则高频分量会混叠。

最后来个带劲的三维随机点拟合：

% 生成山地地形数据 x = rand(500,1)*10; y = rand(500,1)*8; z = peaks(x,y) + 0.5*randn(size(x)); fit_surface = fit([x,y],z,'poly23'); plot(fit_surface,[x,y],z);

fit函数用了poly23二维三次多项式。注意这里使用了Curve Fitting Toolbox，如果没装这个工具箱可以用meshgrid加polyfitn替代。拟合结果用slice函数切片查看时，能清晰看到拟合曲面如何捕捉地形特征。

这些代码都在Matlab 2021b上实测过，遇到运行报错先检查数据维度——Matlab在这事儿上特别矫情。另外别忘了预处理里的数据归一化，特别是多项式拟合时，不归一化等着瞧系数矩阵的条件数爆炸吧。