1. 如何处理非线性的拟合关系？

如果你的数据呈现非线性关系，可以采用以下几种方法来处理非线性拟合关系：

1. **多项式回归**：可以尝试对数据进行多项式拟合，例如使用`polyfit`函数生成多项式系数，然后用`polyval`计算对应于给定温度的新磁芯损耗。

   degree = 2; % 二次多项式为例
   coefficients = polyfit(tempData, coreLossData, degree);
   predictedLossPoly = polyval(coefficients, newTemp);

2. **曲线拟合函数**：MATLAB提供了一系列高级函数如`fittype`, `fit`, 或者`lsqcurvefit`，它们支持自定义函数形式的拟合，允许用户指定更复杂的函数结构，如指数、对数等。

   customFitFcn = @(temp) a * exp(b * temp) + c; % 自定义函数形式
   initialParams = [a0, b0, c0]; % 初始猜测参数
   fittedParams = lsqcurvefit(customFitFcn, initialParams, tempData, coreLossData);
   predictedLossCustom = customFitFcn(newTemp, fittedParams);

3. **机器学习算法**：如果数据集较大或关系复杂，可以考虑使用支持向量机（SVM）、神经网络或决策树等非线性模型，如`fitrsvm`或`fitnet`。

   model = fitrsvm(tempData, coreLossData); % SVM示例
   predictedLossSVM = predict(model, newTemp);

记得每次选择模型都要根据数据特性及实际需求来进行，并通过交叉验证评估模型的性能。