MATLAB非线性最小二乘lsqnonlin和lsqcurvefit的使用 转载
还有另外一篇,包括非线性最小二乘拟合函数: min s.t. v1xv2 求解程序名为lsqnonlin,其最简单的调用格式为: x=lsqnonlin(@F,x0, v1,v2) 其最复杂的调用格式为: [x,norm,res,ef,out,lam,jac] = lsqnonlin(@F,x0,v1,v2,opt,P1,P2, ... ) l 非线性拟合问题 min s.t. v1xv2 求解程序名为lsqcurvefit,其最简单的调用格式为: x=lsqcurvefit(@F, x0,t,y,v1,v2) 其最复杂的调用格式为: [x,norm,res,ef,out,lam,jac] = lsqcurvefit(@F,x0,t,y,v1,v2,opt,P1,P2,...) 输出参数 输入参数 注意事项 2.3.1 程序lsqnonlin和lsqcurvefit的输出参数 其中输出变量的含义为: 1) x : 最优解 2) norm : 误差的平方和 3)res: 误差向量 4) ef : 程序结束时的状态指示: · >0:收敛 · 0:函数调用次数或迭代次数达到最大值(该值在options中指定) · <0:不收敛 5) out: 包含以下数据的一个结构变量 · funcCount 函数调用次数 · iterations 实际迭代次数 · cgiterations 实际PCG迭代次数(大规模计算用) · algorithm 实际使用的算法 · stepsize 最后迭代步长(中等规模计算用) · firstorderopt 一阶最优条件满足的情况(大规模计算用) 6) lam:上下界所对应的Lagrange乘子 7) jac:结果(x点)处的雅可比矩阵 2.3.2程序lsqnonlin和lsqcurvefit的输入参数 其中输入变量的含义为: · x0为初始解(缺省时程序自动取x0=0) · F给出目标函数的M文件,当Jacobian='on时必须给出其Jacobi矩阵,一般形式为: function [F,J] = Fun(x)(对程序lsqcurvefit为Fun(x,t))
F = ... % objective function values at x if nargout > 1 % two output arguments J = ... % Jacobian of the function evaluated at x end · t,y: 拟合数据 · v1,v2: 上下界 · options:包含算法控制参数的结构 设定(或显示)控制参数的命令为Optimset,有以下一些用法: Optimset //显示控制参数 optimset optfun //显示程序'optfun的控制参数 opt=optimset //控制参数设为[](即缺省值 opt=optimset(optfun)// 设定为程序'optfun的控制参数缺省值 Opt=optimset('par1',val1,'par2',val2,...) Opt=optimset(oldopts,'par1',val1,...) opt=optimset(oldopts,newopts) 可以设定的参数比较多,对lsqnonlin和lsqcurvefit,常用的有以下一些参数: Diagnostics 是否显示诊断信息( 'on' 或'off) Display 显示信息的级别('off' , 'iter' , 'final,'notify) LargeScale 是否采用大规模算法( 'on' 或'off)缺省值为on MaxIter 最大迭代次数 TolFun 函数计算的误差限 TolX 决策变量的误差限 Jacobian 目标函数是否采用分析Jacobi矩阵('on' ,'off) MaxFunEvals 目标函数最大调用次数 LevenbergMarquardt 搜索方向选用LM法(‘on’), GN法(‘off’,缺省值) LineSearchType 线搜索方法(‘cubicpoly’,’quadcubic’(缺省值)) 2.3.3 注意事项 · fminunc中输出变量、输入参数不一定写全,可以缺省。 · 当中间某个输入参数缺省时,需用[]占据其位置。 http://tzzz.blogbus.com/logs/69302651.html
%编写M文件:文件中的a(1)=a,a(2)=b,a(3)=c,a(4)=d function E=fun(a,x,y) x=x(:); y=y(:); Y=a(1)*(1-exp(-a(2)*x)) + a(3)*(exp(a(4)*x)-1); E=y-Y; %M文件结束 %用lsqnonlin调用解决: x=[3 4 5 7 9 15]; y=[1 2 4 6 8 10]; a0=[1 1 1 1]; options=optimset('lsqnonlin'); a=lsqnonlin(@fun,a0,[],[],options,x,y) 关于a0,可以通过所知道的几组x和y的值来估算系数a、b、c、d的值,我这里没有估计,直接代入了1。
如果估计的较准确,最小二乘算出的系数更加精确。
lsqnonlin函数采用的是迭代法,a0则是迭代初始值。由于程序的局限性,不可能搜索无穷大的区间,这样一来,初始值的选择就很重要了。如果最优解离所给初始值比较近,迭代求出该最优解的概率就很高;如果初始值提供的不理想,离最优解较远,而matlab对于迭代次数及迭代精度都有个默认的设定,这种情况下很可能没有搜到最优解便给出了结果,当然这个结果是在所搜索区间上的最优解而不是全局最优的。
至于怎样估计初始值,我也没有肯定的办法,总之通过所知的x和y尽量使初始值接近就好了,毕竟matlab还是很强大的。
另外一个办法是,得到解后,画出函数的图形,看看那几个点是不是都在曲线附近,如果相差太大,就得考虑重新给初始值再计算一次。
|