非线性最小二乘(曲线拟合)
解决串行或平行的非线性最小二乘(曲线拟合)问题
在开始解决优化问题之前,您必须选择适当的方法:基于问题或基于解决方案的方法。有关详细信息,请参阅首先选择基于问题或基于解决方案的方法。
非线性最小二乘求解最小值(∑ ||F((X一世) -y一世||2), 在哪里F((X一世)是一个非线性函数,y一世是数据。看非线性最小二乘(曲线拟合)。
对于基于问题的方法,创建问题变量,然后根据这些符号变量表示目标函数和约束。有关基于问题的步骤,请参阅基于问题的优化工作流程。要解决最终的问题,请使用解决
。
对于基于求解器的步骤,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。要解决最终的问题,请使用lsqcurvefit
或者LSQNONLIN
。
职能
实时编辑任务
优化 | 在实时编辑器中优化或求解方程 |
话题
基于问题的非线性最小二乘
- 非线性最小二乘,基于问题的
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
使用不同的求解器和线性参数的不同方法求解最小二乘拟合问题。 - 适合颂歌,基于问题的
使用基于问题的最小二乘正方形将参数拟合在ODE上。 - 为基于问题的最小二乘编写目标功能
基于问题的最小二乘的语法规则。
基于求解器的非线性最小二乘
- 非线性数据拟合
基本示例显示了解决数据拟合问题的几种方法。 - 香蕉功能最小化
显示如何使用不同的求解器(有或没有梯度)来求解Rosenbrock函数的最小值。 - 具有Simulink模型的LSQN金宝appONLIN
拟合模型的示例。 - 非线性最小二乘不带有雅各布
示例显示在非线性最小二乘中使用分析衍生物。 - LSQCurveFit的非线性曲线拟合
示例显示如何使用LSQCurveFit进行非线性数据拟合。 - 安装普通微分方程(ODE)
示例显示了如何将ODE的参数拟合到数据中,或将曲线的参数拟合到ODE的解中。 - 将模型适合复杂值数据
示例显示了如何求解具有复杂值数据的非线性最小二乘问题。
代码生成
- 非线性最小二乘代码生成:背景
为非线性最小二乘生成C代码的先决条件。 - 生成lsqcurvefit或lsqnonlin的代码
非线性最小二乘代码生成的示例。 - 实时应用程序的优化代码生成
探索用于处理生成代码中实时需求的技术。
并行计算
- 优化工具箱中的并行计算是什么?
使用多个处理器进行优化。 - 在优化工具箱中使用并行计算
并联执行梯度估计。 - 通过平行计算提高性能
研究超速优化的因素。
算法和选项
- 为基于问题的最小二乘编写目标功能
基于问题的最小二乘的语法规则。 - 最小二乘(型号拟合)算法
最小化一笔广场的总和n仅具有绑定或线性约束的尺寸。 - 优化选项参考
探索优化选项。