关于采用matlab进行指定非线性方程拟合的问题

关于采用matlab进行指定非线性方程拟合的问题(1)※1。优化工具箱的利用函数描述LSQLIN有约束线性最小二乘优化LSQNONNEG非负约束线性最小二乘优化问题当有约束问题存在的时候，应该采用上面的方法代替Polyfit与反斜线（\）。具体例子请参阅优化工具箱文档中的相应利用这两个函数的例子。d.非线性曲线拟合利用MATLAB的内建函数函数名描述FMINBND只解决单变量固定区域的最小值问题FMINSEARCH多变量无约束非线性最小化问题（Nelder-Mead方法）。下面给出一个小例子展示一下如何利用FMINSEARCH1．首先生成数据t=0:.1:10;t=t(:);Data=40*exp(-.5*t)+rand(size(t));%将数据加上随机噪声2．写一个m文件，以曲线参数作为输入，以拟合误差作为输出functionsse=myfit(params,Input,Actural_Output)A=params(1);lamda=params(2);Fitted_Curve=A.*exp(-lamda*Input);Error_Vector=Fitted_Curve-Actural_Output;%当曲线拟合的时候，一个典型的质量评价标准就是误差平方和sse=sum(Error_Vector.^2);%当然，也可以将sse写作：sse=Error_Vector(:)*Error_Vector(:);3．调用FMINSEARCHStrarting=rand(1,2);options=optimset('Display','iter');Estimates=fiminsearch(@myfit,Strarting,options,t,Data);plot(t,Data,'*');holdonplot(t,Estimates(1)*exp(-Estimates(2)*t),'r');Estimates将是一个包含了对原数据集进行估计的参数值的向量。附图见后面：FMINSEARCH通常能够用来解决不连续情况，特别是如果他们不出现在解的附近的时候。它得到的通常也是局部解。FMINSEARCH只能够最小化实数值（也就是说，解的域必须只能包括实数，函数的输出只能够为实数值）。当感兴趣的是复数变量的域的时候，他们必须被分割为实部与虚部。※2.MATLAB的FIGURE窗口：最基本的拟合界面与数据统计工具MATLAB通过基本的拟合界面也支持基本曲线拟合。利用这个界面，你可以快速地在简单易用的环境中实现许多基本的曲线拟合。这个界面可以实现以下功能：a．通过比样条插值（splineinterpolant）、hermite插值、或者是高达10阶的多项式插值实现数据的拟合；b．对给定数据同时实现多样插值的绘制；c．绘制残差图；d．检查拟合结果的残差的数值；e．通过内插值或者外推插值评价一个拟合结果；f．对拟合结果和残差的模进行图形绘制；g．将拟合结果保存入MATLAB工作空间。开发你的拟合应用的时候，你可以通过基本拟合（BasicFitting）界面，也可以通过命令行函数，也可以同时作用。你可以通过基本拟合界面只能够实现2－D数据的拟合。然而，如果你用subplot绘制多个数据集，只要有至少一个数据集是2D的，那么就可以用基本拟合界面。可以通过如下步骤激活基本拟合界面：1．绘制数据；2．从figure窗口的Tools菜单条下面选择BasicFitting菜单项；有关BasicFitting界面的更多信息，请查阅MATLAB帮助文档的相应部分。注意：对于HP，IBM以及SGI平台，MATLAB6.0（R12.0）以及MATLAB6.1(R12.1)的基本拟合界面不受支持。数据统计界面可以用来对图形中的每个数据集进行统计量的计算。可以通过如下步骤将数据统计界面激活：1．制数据；2．从figure窗口的Tools菜单条下面选择DataStatistics菜单项；关于采用matlab进行指定非线性方程拟合的问题(2)一。优化工具箱函数LSQNONLIN解决非线性最小二乘法问题，包括非线性数据拟合问题LSQCURVEFIT解决非线性数据拟合问题下面给出利用这两个函数的例子：LSQNONLIN：利用这个函数最小化连续函数只能够找到句柄解。下面的例子说明利用LSQNONLIN函数用下面的函数进行拟合：f=A+Bexp(C*x)+D*exp(E*x)对数据集x与y进行拟合，其中y是在给定x的情况下的期望输出(可以是方程给出数组，也可以是单独数据组成的数组)。为了解决这个问题，先建立下面的名为fit_simp.m的函数，它利用数据x与y，将他们作为优化输入参数传递给LSQNONLIN。利用给定的数据x计算f的值，再与原始数据y进行比较。经验值与实际计算出的值之间的差异作为输出值返回。LSQNOLIN函数就是最小化这些差的平方和。functiondiff=fit_simp(x,X,Y)%此函数被LSQNONLIN调用%x是包含等式系数的向量%X与Y是作为操作数传递给lsnonlinA=x(1);B=x(2);C=x(3);D=x(4);E=x(5);diff=A+B.*exp(C.*X)+D.*exp(E.*X)-Y;下面的脚本是利用上面定义的fit_simp.m函数的一个例子：％定义你打算拟合的数据集合X=0:.01:.5;Y=2.0.*exp(5.0.*X)+3.0.*exp(2.5.*X)+1.5.*rand(size(X));％初始化方程系数X0=[11111]';％设置用中等模式（memdium-scale）算法options=optimset('Largescale','off');％通过调用LSQNONLIN重现计算新的系数x=lsqnonlin(@fit_simp,X0,[],[],options,X,Y);％调用LSQNONLIN结果输出表明拟合是成功的Optimizationterminatedsuccessfully:GradientinthesearchdirectionlessthantolFunGradientlessthan10*(tolFun+tolX)％绘制原始数据与新的计算的数据Y_new=x(1)+x(2).*exp(x(3).*X)+x(4).*exp(x(5).*X);plot(X,Y,'+r',X,Y_new,'b');※注意：LSQNONLIN只可以处理实数变量。在处理包括复数变量的实例的拟合的时候，数据集应该被切分成实数与虚数部分。下面给出一个例子演示如何对复数参数进行最小二乘拟合。为了拟合复数变量，你需要将复数分解为实数部分与虚数部分，然后把他们传递到函数中去，这个函数被LEASTSQ作为单个输入调用。首先，将复数分解为实部与虚部两个向量。其次，将这两个向量理解成诸如第一部分是实部、第二部分是虚部。在MATLAB函数中，重新装配复数数据，并用你想拟合的复数方程计算。将输出向量分解实部与虚部，将这两部分连接为一个单一的输出向量传递回LEASTSQ。下面，给出一个例子演示如何根据两个复数指数拟合实数X与Y。建立方程：functionzero=fit2(x,X,Y)%根据输入x重建复数输入cmpx=x(1:4)+i.*x(5:8);%利用复数计算函数zerocomp=cmpx(1).*exp(cmpx(2).*X)+cmpx(3).*exp(cmpx(4).*X)-Y;%将结果转换成一个列向量%其中第一部分是实部，第二部分是虚部numx=length(X);%实部长度zero=real(zerocomp);%实部zero(numx+1:2*numx)=imag(zerocomp);%虚部为了评价计算这个函数，需要X与Y数据集。LSQNONLIN将根据它拟合出下面方程中的参数a，b，c与d：Y=a*exp(b*X)+c*exp(d*X);其中，a，b，c与d是复数变量。X=0:.1:5;Y=sin(X);Y=Y+.1*rand(size(Y))-.05;cmpx0=[1i22*i];x0(1:4)=real(cmpx0);x0(5:8)=imag(cmpx0);x=leastsq(@fit2,x0,[],[],X,Y);cmpx=x(1:4)+i.*x(5:8);Y1=real(cmpx(1).*exp(cmpx(2).*X)+cmpx(3).*exp(cmpx(4).*X));plot(X,Y1,'r');holdonplot(X,Y,'+');二。LSQCURVEFIT：利用此函数可以在最小二乘意义上解决非线性曲线拟合（数据拟合）问题。也就是说，给定输入数据xdata，以及观测的输出数据ydata，找到系数x，使得函数F(x，xdata)能够最好的拟合向量值。LSQCURVEFIT利用与LSQNONLIN相同的算法。它的目的在于专门为数据拟合问题提供一个接口。在拟合的时候，2维、3维或者N维参数拟合是没有什么差别的。下面给出一个3维参数拟合的例子。待拟合函数是：z=a1*y.*x..^2+a2*sin(x)+a3*y.^3;建立的myfun.m的函数如下：functionF=myfun(a,data);x=data(1,:);y=data(2,:);F=a(1)*y.*x.^2+a(2)*sin(x)+a(3)*y.^3;下面的脚本展示了这么利用上面的函数：xdata=[3.67.79.34.18.62.81.37.910.05.4];ydata=[16.5150.6263.124.7208.59.92.7163.9325.054.3];zdata=[95.0923.1160.6348.5989.1276.9745.681.8482.1744.47];data=[xdata;ydata];a0=[10,10,10];%初识揣测[a,resnorm]=lsqcurvefit(@myfun,a0,data,zdata)Maximumnumberoffunctionevaluationsexceeded;increaseoptions.MaxFunEvalsa=0.0088-34.2886-0.0000resnorm=2.2636e+004formatlongaa=0.00881645527493-34.28862491919983-0.00000655131499option=optimset('MaxFunEvals',800);[a,resnorm]=lsqcurvefit(@myfun,a0,data,zdata,[],[],option)Optimizationterminatedsuccessfully:RelativefunctionvaluechangingbylessthanOPTIONS.TolFuna=0.00740965259653-20.21201417111138-0.00000502014964resnorm=2.195886958305428e+004