Mínimos cuadrados no lineales (ajuste de curvas)
Antes de comenzar a resolver un problema de optimización, deberá elegir el enfoque adecuado: basado en problemas o basado en solvers. Para obtener más detalles, consulte En primer lugar, elija el enfoque basado en problemas o el enfoque basado en solvers.
Los mínimos cuadrados no lineales resuelven min(∑||F(xi) – yi||2), donde F(xi) es una función no lineal e yi son datos. Consulte Mínimos cuadrados no lineales (ajuste de curvas).
Para el enfoque basado en problemas, cree variables de problemas y, posteriormente, represente la función objetivo y las restricciones en términos de estas variables simbólicas. Para saber qué saltos basados en problemas se deben tomar, consulte Flujo de trabajo de optimización basada en problemas. Para resolver el problema resultante, utilice solve
.
Para saber qué saltos basados en solvers se deben tomar, incluyendo la definición de la función objetivo y las restricciones, y la selección del solver adecuado, consulte Configuración de problema de optimización basada en solvers. Para resolver el problema resultante, utilice lsqcurvefit
o lsqnonlin
.
Funciones
Tareas de Live Editor
Optimize | Optimizar o resolver ecuaciones en Live Editor |
Temas
Mínimos cuadrados no lineales basados en problemas
- Mínimos cuadrados no lineales, basado en problemas
Ejemplo básico de mínimos cuadrados no lineales utilizando el enfoque basado en problemas. - Nonlinear Data-Fitting Using Several Problem-Based Approaches
Solve a least-squares fitting problem using different solvers and different approaches to linear parameters. - Fit ODE Parameters Using Optimization Variables
Fit parameters of an ODE using problem-based least squares. - Write Objective Function for Problem-Based Least Squares
Syntax rules for problem-based least squares.
Mínimos cuadrados no lineales basados en solvers
- Ajuste de datos no lineales
Ejemplo básico que muestra varias formas de resolver un problema de ajuste de datos. - Banana Function Minimization
Shows how to solve for the minimum of Rosenbrock's function using different solvers, with or without gradients. - lsqnonlin with a Simulink Model
Example of fitting a simulated model. - Nonlinear Least Squares Without and Including Jacobian
Example showing the use of analytic derivatives in nonlinear least squares. - Ajuste no lineal de curvas con lsqcurvefit
Ejemplo de cómo ajustar datos no lineales con lsqcurvefit. - Ajustar una ecuación diferencial ordinaria (ODE)
Ejemplo que muestra cómo ajustar parámetros de una ODE a datos o cómo ajustar parámetros de una curva a la solución de una ODE. - Fit a Model to Complex-Valued Data
Example showing how to solve a nonlinear least-squares problem that has complex-valued data.
Generación de código
- Code Generation in Nonlinear Least Squares: Background
Prerequisites to generate C code for nonlinear least squares. - Generate Code for lsqcurvefit or lsqnonlin
Example of code generation for nonlinear least squares. - Optimization Code Generation for Real-Time Applications
Explore techniques for handling real-time requirements in generated code.
Computación paralela
- What Is Parallel Computing in Optimization Toolbox?
Use multiple processors for optimization. - Using Parallel Computing in Optimization Toolbox
Perform gradient estimation in parallel. - Improving Performance with Parallel Computing
Investigate factors for speeding optimizations.
Algoritmos y opciones
- Write Objective Function for Problem-Based Least Squares
Syntax rules for problem-based least squares. - Least-Squares (Model Fitting) Algorithms
Minimizing a sum of squares in n dimensions with only bound or linear constraints. - Referencia de opciones de optimización
Explore opciones de optimización.