小波分析，拟合

呵呵，终于知道你这拟合是个啥意思了，“用小波基拟合的信号”这句话本身表述就是错误滴，从未见过有如此表述，主要是拟合一词似乎不适合表述DWT滴意思，它处理滴结果不是去拟合信号产生滴，甚至和拟合没有关系，不适合如此表述和理解。重构的近似信息可以反应信号整体趋势，但谈不上拟合滴问题，建议勿做此说。

请教 拟合与回归的区别(关系)

1、性质不同

形象地说，拟合就是把平面上一系列的点，用一条光滑的曲线连接起来。因为这条曲线有无数种可能，从而有各种拟合方法。

回归，研究一组随机变量(Y1，Y2，Yi)和另一组(X1，X2，Xk)变量之间关系的统计分析方法。通常Y1，Y2，Yi是因变量，X1、X2，Xk是自变量。

2、方法不同

回归分析的主要内容有以下：从一组数据出发，确定某些变量之间的定量关系式；即建立数学模型并估计未知参数。通常用最小二乘法。检验这些关系式的可信任程度。

在多个自变量影响一个因变量的关系中，判断自变量的影响是否显著，并将影响显著的选入模型中，剔除不显著的变量。通常用逐步回归、向前回归和向后回归等方法。利用所求的关系式对某一过程进行预测或控制。

常用的拟合方法有如最小二乘曲线拟合法等，在MATLAB中也可以用polyfit来拟合多项式。拟合以及插值还有逼近是数值分析的三大基础工具，拟合为已知点列，从整体上靠近它们；插值为已知点列并且完全经过点列；逼近为已知曲线，或者点列，通过逼近使得构造的函数无限靠近它们。

3、应用不同

相关分析研究的是现象之间是否相关、相关的方向和密切程度，一般不区别自变量或因变量。而回归分析则要分析现象之间相关的具体形式，确定其因果关系，并用数学模型来表现其具体关系。

比如说，从相关分析中我们可以得知“质量”和“用户满意度”变量密切相关，但是这两个变量之间到底是哪个变量受哪个变量的影响，影响程度如何，则需要通过回归分析方法来确定。

实际工作中，变量间未必都有线性关系，如服药后血药浓度与时间的关系；疾病疗效与疗程长短的关系；毒物剂量与致死率的关系等常呈曲线关系。曲线拟合（curve fitting）是指选择适当的曲线类型来拟合观测数据，并用拟合的曲线方程分析两变量间的关系。

联系：拟合优度R2衡量的为回归方程整体的拟合度，是表达因变量与所有自变量之间的总体关系。R2等于回归平方和在总平方和中所占的比率，即回归方程所能解释的因变量变异性的百分比。

实际值与平均值的总误差中，回归误差与剩余误差是此消彼长的关系。因而回归误差从正面测定线性模型的拟合优度，剩余误差则从反面来判定线性模型的拟合优度。统计上定义剩余误差除以自由度n-2所得之商的平方根为估计标准误。

为回归模型拟合优度的判断和评价指标，估计标准误显然不如判定系数R2。R2为无量纲系数，有确定的取值范围(0—1)，便于对不同资料回归模型拟合优度进行比较；而估计标准误差是有计量单位的，又没有确定的取值范围，不便于对不同资料回归模型拟合优度进行比较。

参考资料来源：百度百科-拟合

参考资料来源：百度百科-回归我用我的理解解释一下：

拟合是一种数据处理的方式，不特指哪种方法。简单的说就是你有一组数据，觉得这组数据和一个已知的函数（这个函数的参数未定）很相似，为了得到最能表示这组数据特征的这个函数，通过拟合这种方式（具体的数学方法很多）求得参数。

而回归是一种特定的数学方法，它可以实现数据拟合，得到函数的参数。

也有些拟合得到的参数并非是函数的参数，如神经网络，得到的是这个神经网络的参数。

我的说法并不严谨，希望有用。cited

“”拟合是一种数据处理的方式，不特指哪种方法。简单的说就是你有一组数据，觉得这组数据和一个已知的函数（这个函数的参数未定）很相似，为了得到最能表示这组数据特征的这个函数，通过拟合这种方式（具体的数学方法很多）求得参数。

而回归是一种特定的数学方法，它可以实现数据拟合，得到函数的参数。

也有些拟合得到的参数并非是函数的参数，如神经网络，得到的是这个神经网络的参数“”拟合应该是先有具体的模型，比如线性的，对数的等，通过与已知的模型比较，通过图形的拟合直接可以得出相应的关系式，有拟合度。本身并没有自变量与因变量之分。

回归，是有自变量与因变量之分的。从一组数据出发确定某些变量之间的定量关系式，即建立数学模型并估计其中的 未知参数。估计参数的常用方法是最小二乘法。之后会有对系数进行可信度检验，在许多自变量共同影响着一个因变量的关系中，判断哪个（或哪些）自变量的影响是显著的，哪些自变量的影响是不显著的，将影响显著的自变量选入模型中，而剔除影响不显著的变量，通常用逐步回归、向前回归和向后回归等方法。

总结的就这么多，希望对查询的人有所帮助~