請參考以下程序:
% curvefitLogistic.m
%在實際應用中，只有當獲得的生物數據被證實具有邏輯斯蒂曲線規律時，擬合結果才可能是
%是有意義的，下面壹組數據有logistic曲線的規律！
n =[3929 5308 7240 9638 12866 17069 23192 31443 38558 50156 62948...
75995 91972 105711 122775 131669 150697 179323 203185 226500];
t = 1790:10:1980；
%繪制原始數據圖
plot(t，N，t，N，' r* ')
繼續
%邏輯函數的構造
func = @(beta，x) beta(1)。/(1+(beta(1)/N(1)-1)* exp(-beta(2)*(x-1790))；
% Key:優化初始值的選取:beta0(1)是函數的最大值，beta0(1)越小越好，所以這裏我們可以直接取0。
%因為高斯-牛頓算法和高斯-
%牛頓的改進算法Marquardt法，這兩種算法只選取壹組接近實際值的初始值。
當%值為k，a，b時，叠代過程的收斂性好，即k，a，b的發現值能使r的值最小！
beta 0 =[max(N)0]；
% lsqcurvefit調用
[beta，resnorm，residual，exitflag，output]= lsqcurvefit(func，beta0，t，N)；