matlab非线性拟合问题

Posted 2023-02-21

已知f=J*Ld/Li(1-exp（-Ld/Li）)，Ld=t*（Voc-x）在函数中 J=21.18、Li=1*e-6、Voc=0.418。f和X可以给定一系列值如下：
x f
51.885 -21.4823
86.4 -21.0836
134.73 -20.98485
157.74 -20.90685
240.6 -20.30025
321.15 -19.5936
374.05 -16.960725
通过拟合求t 各位大侠 越详细越好哦！
希望给出程序代码及标注！再次感谢！！

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FMINSEARCH
1． 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
function sse=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FMINSEARCH
>> Strarting=rand(1,2);
>> options=optimset('Display','iter');
>> Estimates=fiminsearch(@myfit,Strarting,options,t,Data);
>> plot(t,Data,'*');
>> hold on
>> plot(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（spline interpolant）、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（Basic Fitting）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Basic Fitting 菜单项；
有关Basic Fitting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Data Statistics 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 + B exp(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。
function diff = 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lsnonlin
A = 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=[1 1 1 1 1]';
％ 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
Optimization terminated successfully:
Gradient in the search direction less than tolFun
Gradient less than 10*(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：
function zero = 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=[1 i 2 2*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');
>> hold on
>> plot(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：
function F = 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= [3.6 7.7 9.3 4.1 8.6 2.8 1.3 7.9 10.0 5.4];
>> ydata= [16.5 150.6 263.1 24.7 208.5 9.9 2.7 163.9 325.0 54.3];
>> zdata= [95.09 23.11 60.63 48.59 89.12 76.97 45.68 1.84 82.17 44.47];
>> data=[xdata; ydata];
>> a0= [10, 10, 10]; % 初识揣测
>> [a, resnorm] = lsqcurvefit(@myfun,a0,data,zdata)
Maximum number of function evaluations exceeded;
increase options.MaxFunEvals
a = 0.0088 -34.2886 -0.0000
resnorm = 2.2636e+004
>> format long
>> a
a = 0.00881645527493 -34.28862491919983 -0.00000655131499
>> option=optimset('MaxFunEvals',800);
>> [a, resnorm] = lsqcurvefit(@myfun,a0, data, zdata, [], [], option)
Optimization terminated successfully:
Relative function value changing by less than OPTIONS.TolFun
a = 0.00740965259653 -20.21201417111138 -0.00000502014964
resnorm = 2.195886958305428e+004 参考技术A 要新建两个文件：

主文件,test.m
------------------------------------------------------------------------------
function test
clear
clc

x = [51.885; 86.4; 134.73; 157.74; 240.6; 321.15; 374.05];
f = [-21.4823; -21.0836; -20.98485; -20.90685; -20.30025; -19.5936; -16.960725];

ft = fittype( 'fit_func( x, t )' );
cfun = fit( x, f, ft, 'StartPoint', -0.01 ); % 开始拟合
cfun % 输出拟合参数等
plot( cfun, x, f ) % 画出拟合后曲线和原始数据点

end

函数文件,用于自定义的函数：fit_func.m
------------------------------------------------------------------------------
function f = fit_func( x, t )

J = 21.18;
Li = 1e-6;
Voc = 0.418;
Ld = t * ( Voc - x );
f = J*Ld ./ ( Li*(1-exp(-Ld/Li)) );

end
------------------------------------------------------------------------------
可以保证运行输出结果，运行后自动绘出曲线和原始数据点，但是结果可能不会令人满意。我不保证编码时完全正确，但基本思想就是这样。你需要仔细检查代码，试着调正fit函数中StartPoint，还有其他选项（参见文档中fitoptions的说明），直到曲线和数据点吻合到满意为止。当然也可能是该函数不是这批数据点的理想模型，换成别的会更好。本回答被提问者采纳