给出matlab中SIR模型，并用实际数据估计未知参数的具体代码

好的，下面是SIR模型的代码实现和参数估计：

% SIR模型
function dydt = SIR(t,y,beta,gamma)
S = y(1);
I = y(2);
R = y(3);

dSdt = -beta*S*I;
dIdt = beta*S*I - gamma*I;
dRdt = gamma*I;

dydt = [dSdt; dIdt; dRdt];
end

其中，`beta` 和 `gamma` 分别表示感染率和恢复率，`y` 为状态变量，`t` 为时间变量，`dydt` 为状态变量的导数。

接下来是参数估计的具体代码：

% 实际数据
data = [10 20 30 40 50 60 70 80 90 100];
t = 1:length(data);

% 参数估计
beta0 = 0.1;
gamma0 = 0.05;
y0 = [data(1); 1; 0];
params0 = [beta0; gamma0];
params = lsqcurvefit(@SIR,params0,t,data,y0);

% 绘制拟合曲线
[t,y] = ode45(@(t,y) SIR(t,y,params(1),params(2)),t,y0);
plot(t,y(:,2),'-o',t,data,'x')
legend('拟合曲线','实际数据')
xlabel('时间')
ylabel('感染人数')

其中，`data` 表示实际观测到的感染人数，`t` 为时间序列，`beta0` 和 `gamma0` 分别为感染率和恢复率的初始值，`y0` 为初始状态，`params0` 为参数向量的初始值，`params` 为参数的最优估计值。

使用 `lsqcurvefit` 函数进行最小二乘拟合，得到最优的参数估计值。接着使用 `ode45` 函数求解微分方程，得到拟合曲线。最后使用 `plot` 函数绘制拟合曲线和实际数据。