曲线拟合（curve-fitting）：工程实践中，用测量到的一些离散的数据
要求所得的拟合曲{(xi,yi),i?0,1,2,...m}求一个近似的函数?(x)来拟合这组数据，
线能最好的反映数据的基本趋势（即使?(x)最好地逼近f?x?，而不必满足插值原则。因此没必要取?(xi)=yi，只要使?i??(xi)?yi尽可能地小）。
原理：
给定数据点{(xi,yi),i?0,1,2,...m}。求近似曲线?(x)。并且使得近似曲线与f?x?的偏差最小。近似曲线在该点处的偏差?i??(xi)?yi，i=1,2,...,m。
常见的曲线拟合方法:
1.使偏差绝对值之和最小
2.使偏差绝对值最大的最小
3.使偏差平方和最小
最小二乘法：
按偏差平方和最小的原则选取拟合曲线，并且采取二项式方程为拟合曲线的方法,称为最小二乘法。
推导过程：
1. 设拟合多项式为：
?(x)?a0?a1x?...?akxk
2. 各点到这条曲线的距离之和，即偏差平方和如下：
3. 问题转化为求待定系数a0...ak对等式右边求ai偏导数，因而我们得到了：
.......
4、 把这些等式化简并表示成矩阵的形式，就可以得到下面的矩阵：
5. 将这个范德蒙得矩阵化简后可得到:
6. 也就是说X*A=Y，那么A = (X'*X)-1*X'*Y，便得到了系数矩阵A，同时，我们也就得到了拟合曲线。
MATLAB实现：
MATLAB提供了polyfit（）函数命令进行最小二乘曲线拟合。 调用格式：p=polyfit(x,y,n) [p,s]= polyfit(x,y,n) [p,s,mu]=polyfit(x,y,n)
x,y为数据点，n为多项式阶数，返回p为幂次从高到低的多项式系数向量p。x必须是单调的。矩阵s包括R（对x进行QR分解的三角元素）、df(自由度）、normr(残差）用于生成预测值的误差估计。
[p,s,mu]=polyfit(x,y,n)在拟合过程中，首先对x进行数据标准化处理，以在拟合中消除量纲等影响，mu包含标准化处理过程中使用的x的均值和标准差。
polyval( )为多项式曲线求值函数，调用格式： y=polyval(p,x)
[y,DELTA]=polyval(p,x,s) y=polyval(p,x)为返回对应自变量x在给定系数P的多项式的值。
[y,DELTA]=polyval(p,x,s) 使用polyfit函数的选项输出s得出误差估计Y DELTA。它假设polyfit函数数据输入的误差是独立正态的，并且方差为常数。则Y DELTA将至少包含50%的预测值。 如下给定数据的拟合曲线： x=[0.5,1.0,1.5,2.0,2.5,3.0]，
y=[1.75,2.45,3.81,4.80,7.00,8.60]。 解：MATLAB程序如下： x=[0.5,1.0,1.5,2.0,2.5,3.0];
y=[1.75,2.45,3.81,4.80,7.00,8.60]; p=polyfit(x,y,2) x1=0.5:0.05:3.0; y1=polyval(p,x1); plot(x,y,'*r',x1,y1,'-b') 运行结果如图1 计算结果为：
p =0.5614 0.8287 1.1560
即所得多项式为y=0.5614x^2+0.08287x+1.15560
9876543210.511.522.53 图1 最小二乘法曲线拟合示例
对比检验拟合的有效性：
例：在[0,π]区间上对正弦函数进行拟合，然后在[0,2π]区间画出图形，比较拟合区间和非拟合区间的图形，考察拟合的有效性。 在MATLAB中输入如下代码： clear
x=0:0.1:pi; y=sin(x);
[p,mu]=polyfit(x,y,9) x1=0:0.1:2*pi;
y1=sin(x1);%实际曲线
y2=polyval(p,x1);%根据由区间0到pi上进行拟合得到的多项式计算0到2pi上的函数值，
%需要注意的是polyval（）返回的函数值在pi到2pi上并没有进行拟合
plot(x1,y2,'k*',x1,y1,'k-') 运行结果： p =
0.0000 0.0000 -0.0003 0.0002 0.0080 0.0002 -0.1668 0.0000 1.0000 0.0000
mu =
R: [10x10 double] df: 22
normr: 1.6178e-07
10.80.60.40.20-0.2-0.4-0.6-0.8-101234567MATLAB的最优化工具箱还提供了lsqcurvefit（）函数命令进行最小二乘曲线拟合(Solve nonlinear curve-fitting (data-fitting) problems in least-squares sense)。
调用格式：
x = lsqcurvefit(fun,x0,xdata,ydata)
x = lsqcurvefit(fun,x0,xdata,ydata,lb,ub)
x = lsqcurvefit(fun,x0,xdata,ydata,lb,ub,options) x = lsqcurvefit(problem) [x,resnorm] = lsqcurvefit(...)
[x,resnorm,residual] = lsqcurvefit(...)
[x,resnorm,residual,exitflag] = lsqcurvefit(...)
[x,resnorm,residual,exitflag,output] = lsqcurvefit(...)
[x,resnorm,residual,exitflag,output,lambda] = lsqcurvefit(...) [x,resnorm,residual,exitflag,output,lambda,jacobian] =