针对经典线性回归模型无法反映变量间的非线性关系,不适宜预测有模糊数的煤炭发热量的问题,提出了一种基于三角模糊数的多元非线性回归的煤炭发热量预测模型。以我国新疆伊犁地区煤炭工业分析为建模数据和模型检验数据,将计算模糊中心值和模糊幅度值的问题转化为约束非线性优化问题,采用MATLAB优化工具箱求解。最后对比分析了模糊非线性回归、经典线性回归、BP(Back Propagation)神经网络及支持向量机回归4种模型对测试煤样发热量的预测结果。结果表明,模糊非线性回归模型的线性拟合优度值为0.9997,调整后的非线性拟合优度值为0.9838,均方误差为0.4473;测试煤样的平均相对误差为0.0203,80%的测试煤样模糊隶属度大于0.5。模糊非线性回归模型具有很高的精确度和可靠性,可用来预测预报煤炭发热量。

资源内包含线性回归与非线性回归算法，可使用Matlab直接得到结果

MATLAB多元线性回归: 基于MATLAB的多元非线性回归模型.pdf 多元线性回归建模以及MATLAB和SPSS求解.pdf MATLAB语言在多元线性回归中的应用.pdf

https://clouddaidai.blog.csdn.net/article/details/120210749 线性回归拟合案例所需数据

Matlab优化源代码全集 [线性回归非线性回归模型]

两线元素预测器 作者：tanh仁杰 日期：2018年5月11日 [1]是一种广泛用于跟踪绕地球轨道飞行的物体的数据格式。 在TLE中编码的是6维状态向量， [2]阻力项，平均运动的一阶和二阶导数以及对象的其他杂项。 存在各种已建立的传播模型，例如SGP，SGP4，SDP4，SGP8和SDP8，这些模型用于预测卫星的未来状态向量。 但是，由于TLE固有的不确定性，该错误也会随着时间传播。 例如，从 [3]下载的典型TLE，动量矢量分量Px，Py，Pz平均可以具有+ -10km / h的不确定性。 一天之后，不确定性将为+ -240 km / h，这是不理想的。 通常，由这种传播模型产生的状态向量是不准确的，并且在一天的模拟之后无法使用。 必须通过获取新的TLE来刷新它们。 由于这种不确定性，有很多哭狼案。 Celestrak借助其称为“ （SOCRATES）的平台，免费提供对卫星有效

贝叶斯线性回归 通过（正常）线性回归和贝叶斯线性回归对数据建模的示例程序。 并显示图表以比较这两者。 环境 Python 2.7.6 麻木 Matplotlib 跑步 $ python bayesian_lr.py 图形 绿色：正态线性回归 蓝色：贝叶斯线性回归 逻辑 功能大致如下： 使用“高斯分布”作为基函数。 假设 s = 0.1，c_i = [0.0, 0.1, ..., 1.0]。 (1) 正态线性回归 这些“欧米茄”可以通过这个方程求解。 (2)贝叶斯线性回归 后验分布表示如下。 后验分布是高斯分布，所以最可能的值是： 因此，可以通过计算 Mu_N 来找出函数。 这一次，我假设 alpha = 0.1，beta = 9.0。 Phi 是如下矩阵。 麻木 numpy.linalg.solve ：求解线性矩阵方程。 参考 numpy.dot ：标量积，内

线性回归 这是以下技能的锻炼。 Kotlin（以前有一些Java组合） 最小二乘近似（线性回归） 线相交 JetPack数据绑定 路径/线图 路径/线 使用绘画类渲染接触点和回归线（超过2个点） 最小二乘近似 我们确定最接近数据点且误差最小的线。 该代码在下面引用的数值分析文本的第8.1章中定义。 正交线 点到线的最短距离始终是正交的。 我们可以使用以下坡度截距公式找到每个交点。 Kotlin 这是Kotlin练习（带有一些以前的Java类），并且使用了数据绑定。 笔记 该代码库无法处理以下失败情况。 旋转-没有执行任何保留点或重新渲染的操作。 排序-点“不”排序； 因此从左->右触摸屏幕（添加点）！ 参考 数值分析，第5版，Burden，第8.1章，第436-442页离散最小二乘近似 Adobe Flex中的练习演示

上周讲专题时做的ppt

支持向量机非线性回归通用MATLAB源码 支持向量机和BP神经网络都可以用来做非线性回归拟合，但它们的原理是不相同的，支持向量机基于结构风险最小化理论，普遍认为其泛化能力要比神经网络的强。大量仿真证实，支持向量机的泛化能力强于BP网络，而且能避免神经网络的固有缺陷——训练结果不稳定。本源码可以用于线性回归、非线性回归、非线性函数拟合、数据建模、预测、分类等多种应用场合。