先來一個簡單MATLAB代碼說明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('實驗數據點','Logistic模型');
其中函數logismodel：
function y=logismodel(A,x)
k=A(1);
a=A(2);
L=3000;
y=L./(1+a*exp(-k*x));
%%%%%%%%%%%%%%%%%%%%
同樣這個例子中的數據，用其它方法擬合：
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降冪相加，1表示x最高次冪是1
k=line_A(1);
a=exp(line_A(2));
plot(x,y,'*',x,a*exp(k*x));
title('線性回歸的參數曲線與已知點的關系');
%可以看到是用y=a*exp(k*x)去擬合的，效果不太好。
對於logistic模型的實際用途，接下來會繼續研究。