曲线拟合(Curve Fitting)是指选择适当的曲线类型来拟合科学实验或社会，经济活动中的观测数据，并用拟合的曲线方程y? f（x。c)来揭示变量y与x之间的内在规律，因此，曲线拟合方法的研究在自然科学，社会科学和经济活动等预测领域以及非线性校正和未知对象建模领域都具有重要的理论意义和应用价值。本文主要研究内容如下：
　　（1）构建了三类曲线拟合的多项式模型，分别根据不同类型的曲线拟合模型进行对比分析。同时构建三类基函数的神经网络结构。以实验数据作为神经网络的拟合训练样本；固定输入层至隐含层的权值恒为1；构造多项式矩阵作为神经网络的隐层神经元激励函数；以多项式的模型参数作为神经网络的隐层训练权值；通过神经网络的拟合输出与拟合样本之间的误差值调整权值。
　　（2）曲线拟合系数算法的研究方法，通过针对不同模型采用不同的算法理论的研究，对比得出适合代数多项式拟合模型的优化算法。该方法以多项式拟合模型构建神经网络拓扑结构，以模型参数作为神经网络权值，将采集到的实验数据作为曲线拟合的参考值，使用最速下降法，共轭梯度法，递推最小二乘法分别对神经网络权值进行优化训练以获得多项式模型最优化参数。特别是使用递推最小二乘法可以解决曲线拟合中实验数据的噪声问题。因此，确定采用递推最小二乘法对模型参数进行优化训练。
　　（3）曲线拟合的应用研究，通过仿真实验主要讨论其应用在非线性系统的补偿方面和未知系统预测研究并分析实验结果。论文中以热敏电阻负温度传感器的非线性补偿作为仿真实验和大坝的移位预测、全国用电量预测研究实验数据为预测实验进行仿真，证明基于代数多项式的曲线拟合方法不仅拟合误差小、收敛速度快、而且预测的误差比较小。
　　仿真结果表明，与传统拟合预测模型相比论文提出的方法不仅获得了更高精度的拟合结果，而且特别适合短中期的预测，因此，论文研究方法在各类短中期预测领域具有重要的应用价值。