非线性最小二乘(曲线拟合)
串行或并行地解决非线性最小二乘(曲线拟合)问题
在开始解决优化问题之前，必须选择适当的方法:基于问题的方法或基于求解器的方法。详细信息请参见首先选择基于问题或基于解决方案的方法．
非线性最小二乘解min(∑||F（x我） -y我||2),F（x我)为非线性函数，且y我是数据。看到非线性最小二乘(曲线拟合)．
对于基于问题的方法，创建问题变量，然后用这些符号变量表示目标函数和约束。有关要采取的基于问题的步骤，请参见基于问题的优化工作流．要解决产生的问题，请使用解决．
有关要采取的基于求解器的步骤，包括定义目标函数和约束，以及选择适当的求解器，请参见基于求解器的优化问题设置．要解决产生的问题，请使用lsqcurvefit或lsqnonlin．
功能
实时编辑任务
| 优化 | 在实时编辑器中优化或解决方程 |
主题
基于问题的非线性最小二乘
- 基于问题的非线性最小二乘
使用基于问题的方法的非线性最小二乘的基本示例。 - 使用几种基于问题的方法的非线性数据拟合
用不同的求解器和线性参数的不同方法来解决最小二乘拟合问题。 - 使用优化变量拟合ODE参数
使用基于问题的最小二乘拟合ODE的参数。 - 为基于问题的最小二乘写目标函数
基于问题的最小二乘语法规则。
基于求解器的非线性最小二乘
- 非线性数据拟合
展示了解决数据拟合问题的几种方法的基本示例。 - 香蕉函数最小化
演示如何使用不同的求解器(有或没有梯度)求解Rosenbrock函数的最小值。 - lsqnonlin与Simulin金宝appk模型
拟合一个模拟模型的例子。 - 不含雅可比矩阵的非线性最小二乘
解析导数在非线性最小二乘中的应用实例。 - 用lsqcurvefit进行非线性曲线拟合
演示如何使用lsqcurvefit进行非线性数据拟合的示例。 - 拟合常微分方程(ODE)
示例显示如何将ODE的参数拟合到数据，或将曲线的参数拟合到ODE的解。 - 复值数据的模型拟合
例子显示如何解决非线性最小二乘问题，有复值数据。
代码生成
- 非线性最小二乘中的代码生成:背景
生成非线性最小二乘C代码的先决条件。 - 生成lsqcurvefit或lsqnonlin的代码
非线性最小二乘的代码生成示例。 - 实时应用程序的优化代码生成
探索在生成的代码中处理实时需求的技术。
并行计算
- 什么是优化工具箱中的并行计算?
使用多个处理器进行优化。 - 在优化工具箱中使用并行计算
并行执行梯度估计。 - 利用并行计算提高性能
调查加速优化的因素。
算法和选项
- 为基于问题的最小二乘写目标函数
基于问题的最小二乘语法规则。 - 最小二乘(模型拟合)算法
最小的平方和n只有约束或线性约束的维度。 - 优化选项参考
探索优化选项。
您也可以从以下列表中选择一个网站: