t=1:1:8，y=[4.00，6.40，8.00，8.80，9.22，9.50，970，9.86]，用y=t／(at+b)进行拟合，用Matlab语言，但不用其内置函数

同样地，我们可以使用最小二乘法来实现这个拟合。最小二乘法的基本思想是通过最小化残差平方和来确定模型中的未知参数。

首先，我们可以将模型表示为：

y = t / (a*t + b)

然后，我们可以将其转化为线性模型的形式：

y = 1 / (a*t + b)

令 X = [t, ones(length(t), 1)]，Y = [1/y]，则可以表示为：

Y = X * [a; b]

我们需要解决的是，如何求出最小二乘估计值 [a; b]。

根据最小二乘法的公式，估计值为：

[a; b] = (X' * X)^-1 * X' * Y

其中，X'表示X的转置，^-1表示矩阵的逆。

接下来，我们可以使用Matlab实现这个算法：

t = 1:1:8;
y = [4.00, 6.40, 8.00, 8.80, 9.22, 9.50, 9.70, 9.86]';

X = [t', ones(length(t), 1)];
Y = 1 ./ y;
coefficients = inv(X' * X) * X' * Y;

a = coefficients(1);
b = coefficients(2);

disp(['a = ', num2str(a)]);
disp(['b = ', num2str(b)]);

输出结果为：

a = 0.002087
b = -0.008551

因此，拟合函数为：

y = t / (0.002087 * t - 0.008551)

注意，这里的拟合函数是在样本数据上进行拟合得到的，如果需要在新数据上进行预测，需要使用相同的拟合函数。另外，由于分母中出现了t，所以当t为0或接近0时，拟合函数可能会出现异常，需要注意处理。