先来一个简单MATLAB代码说明logistic模型：
clear all;clc;
x=0:1:12;
y=[43.65 109.86 187.21 312.67
496.58 707.65 960.25 1238.75 1560.00 1824.29 2199.00 2438.89 2737.71];
[ABC,res]=lsqcurvefit(‘logismodel‘,[k,a],x,y);
kk=ABC(1);
aa=ABC(2);
y_logistic=logismodel(ABC,x);
figure;
plot(x,y,‘.r‘,x,y_logistic,‘g‘);
legend(‘实验数据点‘,‘Logistic模型‘);
其中函数logismodel：
function y=logismodel(A,x)
k=A(1);
a=A(2);
L=3000;
y=L./(1+a*exp(-k*x));
%%%%%%%%%%%%%%%%%%%%
同样这个例子中的数据，用其它方法拟合：
x=0:1:12;
y=[43.65 109.86 187.21 312.67 496.58 707.65 960.25
1238.75 1560.00 1824.29 2199.00 2438.89 2737.71];
line_A=polyfit(x,log(y),1);%ln(y)=k*x+a,求k和a.note:按x降幂相加，1表示x最高次幂是1
k=line_A(1);
a=exp(line_A(2));
plot(x,y,‘*‘,x,a*exp(k*x));
title(‘线性回归的参数曲线与已知点的关系‘);
%可以看到是用y=a*exp(k*x)去拟合的，效果不太好。
对于logistic模型的实际用途，接下来会继续研究。