La traducción de esta página aún no se ha actualizado a la versión más reciente. Haga clic aquí para ver la última versión en inglés.

lsqcurvefit

Resolver problemas de ajuste de curvas (ajuste de datos) no lineales en el sentido de mínimos cuadrados

Sintaxis

x = lsqcurvefit(fun,x0,xdata,ydata)

x = lsqcurvefit(fun,x0,xdata,ydata,lb,ub)

x = lsqcurvefit(fun,x0,xdata,ydata,lb,ub,options)

x = lsqcurvefit(problem)

[x,resnorm] = lsqcurvefit(___)

[x,resnorm,residual,exitflag,output] = lsqcurvefit(___)

[x,resnorm,residual,exitflag,output,lambda,jacobian] = lsqcurvefit(___)

Descripción

Solver de mínimos cuadrados no lineales

Encuentre coeficientes x que resuelven el problema

$$\underset{x}{\min }{\Vert F(x,xdata)-ydata\Vert }_2^2=\underset{x}{\min }{\displaystyle \sum _i{\left(F\left(x,xdat{a}_i\right)-ydat{a}_i\right)}^2},$$

dados los datos de entrada xdata y la salida observada ydata, donde xdata e ydata son matrices o vectores, y F (x, xdata) es una función con valores matriciales o vectoriales del mismo tamaño que ydata.

Opcionalmente, los componentes de x pueden tener límites inferiores y superiores lb y ub. Los argumentos x, lb y ub pueden ser vectores o matrices; consulte Argumentos de matriz.

La función lsqcurvefit utiliza el mismo algoritmo que lsqnonlin. lsqcurvefit simplemente proporciona una interfaz práctica para problemas de ajuste de datos.

En lugar de calcular la suma de cuadrados, lsqcurvefit requiere que la función que define el usuario calcule la función de valor vectorial

$$F(x,xdata)=\left[\begin{array}{c}F\left(x,xdata(1)\right)\\ F\left(x,xdata(2)\right)\\ ⋮\\ F\left(x,xdata(k)\right)\end{array}\right].$$

x = lsqcurvefit(fun,x0,xdata,ydata) empieza en x0 y encuentra los coeficientes x que mejor ajustan la función no lineal fun(x,xdata) a los datos ydata (en el sentido de mínimos cuadrados). ydata debe ser del mismo tamaño que el vector (o la matriz) F que devuelve fun.

Nota

Pasar parámetros adicionales explica cómo pasar parámetros adicionales a la función vectorial fun(x), si fuera necesario.

x = lsqcurvefit(fun,x0,xdata,ydata,lb,ub) define un conjunto de límites inferiores y superiores en las variables de diseño de x, de modo que la solución siempre se encuentra en el rango lb ≤ x ≤ ub. Puede fijar el componente de la solución x(i) especificando lb(i) = ub(i).

Nota

Si los límites de entrada especificados para un problema son inconsistentes, la salida x es x0 y las salidas resnorm y residual son [].

Los componentes de x0 que vulneran los límites lb ≤ x ≤ ub se restablecen al interior del cuadro definido por los límites. Los componentes que respetan los límites no se cambian.

x = lsqcurvefit(fun,x0,xdata,ydata,lb,ub,options) minimiza con las opciones de optimización especificadas en options. Utilice optimoptions para configurar estas opciones. Pase matrices vacías para lb y ub si no existen límites.

x = lsqcurvefit(problem) encuentra el mínimo para problem, una estructura descrita en problem.

[x,resnorm] = lsqcurvefit(___), para cualquier argumento de entrada, devuelve la norma euclídea al cuadrado del valor residual en x: sum((fun(x,xdata)-ydata).^2).

[x,resnorm,residual,exitflag,output] = lsqcurvefit(___), devuelve adicionalmente el valor del residual fun(x,xdata)-ydata en la solución x, un valor exitflag que describe la condición de salida y una estructura output que contiene información sobre el proceso de optimización.

[x,resnorm,residual,exitflag,output,lambda,jacobian] = lsqcurvefit(___) devuelve adicionalmente una estructura lambda cuyos campos contienen los multiplicadores de Lagrange en la solución x y la matriz jacobiana de fun en la solución x.

Ejemplos

Ajuste exponencial simple

Suponga que tiene datos de tiempo de observación xdata y datos de respuesta observada ydata, y desea encontrar parámetros $$x(1)$$ y $$x(2)$$ para ajustar un modelo con el formato

$$\text{ydata}=x(1)\exp (x(2)\text{xdata}).$$

Introduzca los tiempos de observación y las respuestas.

xdata = ...
 [0.9 1.5 13.8 19.8 24.1 28.2 35.2 60.3 74.6 81.3];
ydata = ...
 [455.2 428.6 124.1 67.3 43.2 28.1 13.1 -0.4 -1.3 -1.5];

Cree un modelo de decaimiento exponencial simple.

fun = @(x,xdata)x(1)*exp(x(2)*xdata);

Ajuste el modelo utilizando el punto de inicio x0 = [100,-1].

x0 = [100,-1];
x = lsqcurvefit(fun,x0,xdata,ydata)

Local minimum possible.

lsqcurvefit stopped because the final change in the sum of squares relative to 
its initial value is less than the value of the function tolerance.

x = 1×2

  498.8309   -0.1013

Represente los datos y la curva ajustada.

times = linspace(xdata(1),xdata(end));
plot(xdata,ydata,'ko',times,fun(x,times),'b-')
legend('Data','Fitted exponential')
title('Data and Fitted Curve')

Mejor ajuste con restricciones de límites

Encuentre el mejor ajuste exponencial a los datos en el que los parámetros de ajuste estén restringidos.

Genere datos a partir de un modelo de decaimiento exponencial con ruido. El modelo es

$$y=\exp (-1.3t)+\epsilon ,$$

con $$t$$ en un rango de 0 a 3 y ruido $$\epsilon$$ distribuido normalmente con una media de 0 y una desviación estándar de 0,05.

rng default % for reproducibility
xdata = linspace(0,3);
ydata = exp(-1.3*xdata) + 0.05*randn(size(xdata));

El problema es: dados los datos (xdata, ydata), encuentre la tasa de decaimiento exponencial $$y=x(1)\exp (x(2)\text{xdata})$$ que mejor se ajusta a los datos, con los parámetros acotados como sigue:

$$0\le x(1)\le 3/4$$

$$-2\le x(2)\le -1.$$

lb = [0,-2];
ub = [3/4,-1];

Cree el modelo.

fun = @(x,xdata)x(1)*exp(x(2)*xdata);

Cree una conjetura inicial.

x0 = [1/2,-2];

Resuelva el problema de ajuste acotado.

x = lsqcurvefit(fun,x0,xdata,ydata,lb,ub)

Local minimum found.

Optimization completed because the size of the gradient is less than
the value of the optimality tolerance.

x = 1×2

    0.7500   -1.0000

Compruebe lo bien que se ajusta la curva resultante a los datos. Dado que los límites mantienen la solución lejos de los valores reales, el ajuste es mediocre.

plot(xdata,ydata,'ko',xdata,fun(x,xdata),'b-')
legend('Data','Fitted exponential')
title('Data and Fitted Curve')

Comparar algoritmos

Compare los resultados de ajuste con el algoritmo 'trust-region-reflective' predeterminado y con el algoritmo 'levenberg-marquardt'.

Suponga que tiene datos de tiempo de observación xdata y datos de respuesta observada ydata, y desea encontrar parámetros $$x(1)$$ y $$x(2)$$ para ajustar un modelo con el formato

$$\text{ydata}=x(1)\exp (x(2)\text{xdata}).$$

Introduzca los tiempos de observación y las respuestas.

xdata = ...
 [0.9 1.5 13.8 19.8 24.1 28.2 35.2 60.3 74.6 81.3];
ydata = ...
 [455.2 428.6 124.1 67.3 43.2 28.1 13.1 -0.4 -1.3 -1.5];

Cree un modelo de decaimiento exponencial simple.

fun = @(x,xdata)x(1)*exp(x(2)*xdata);

Ajuste el modelo utilizando el punto de inicio x0 = [100,-1].

x0 = [100,-1];
x = lsqcurvefit(fun,x0,xdata,ydata)

Local minimum possible.

lsqcurvefit stopped because the final change in the sum of squares relative to 
its initial value is less than the value of the function tolerance.

x = 1×2

  498.8309   -0.1013

Compare la solución con la de un ajuste 'levenberg-marquardt'.

options = optimoptions('lsqcurvefit','Algorithm','levenberg-marquardt');
lb = [];
ub = [];
x = lsqcurvefit(fun,x0,xdata,ydata,lb,ub,options)

Local minimum possible.
lsqcurvefit stopped because the relative size of the current step is less than
the value of the step size tolerance.

x = 1×2

  498.8309   -0.1013

Los dos algoritmos han convergido en la misma solución. Represente los datos y el modelo exponencial ajustado.

times = linspace(xdata(1),xdata(end));
plot(xdata,ydata,'ko',times,fun(x,times),'b-')
legend('Data','Fitted exponential')
title('Data and Fitted Curve')

Comparar algoritmos y examinar el proceso de resolución

Compare los resultados de ajuste con el algoritmo 'trust-region-reflective' predeterminado y con el algoritmo 'levenberg-marquardt'. Examine el proceso de resolución para ver cuál es más eficiente en este caso.

Suponga que tiene datos de tiempo de observación xdata y datos de respuesta observada ydata, y desea encontrar parámetros $$x(1)$$ y $$x(2)$$ para ajustar un modelo con el formato

$$\text{ydata}=x(1)\exp (x(2)\text{xdata}).$$

Introduzca los tiempos de observación y las respuestas.

xdata = ...
 [0.9 1.5 13.8 19.8 24.1 28.2 35.2 60.3 74.6 81.3];
ydata = ...
 [455.2 428.6 124.1 67.3 43.2 28.1 13.1 -0.4 -1.3 -1.5];

Cree un modelo de decaimiento exponencial simple.

fun = @(x,xdata)x(1)*exp(x(2)*xdata);

Ajuste el modelo utilizando el punto de inicio x0 = [100,-1].

x0 = [100,-1];
[x,resnorm,residual,exitflag,output] = lsqcurvefit(fun,x0,xdata,ydata);

Local minimum possible.

lsqcurvefit stopped because the final change in the sum of squares relative to 
its initial value is less than the value of the function tolerance.

Compare la solución con la de un ajuste 'levenberg-marquardt'.

options = optimoptions('lsqcurvefit','Algorithm','levenberg-marquardt');
lb = [];
ub = [];
[x2,resnorm2,residual2,exitflag2,output2] = lsqcurvefit(fun,x0,xdata,ydata,lb,ub,options);

Local minimum possible.
lsqcurvefit stopped because the relative size of the current step is less than
the value of the step size tolerance.

¿Son las soluciones equivalentes?

norm(x-x2)

ans = 2.0626e-06

Sí, las soluciones son equivalentes.

¿Qué algoritmo necesitó menos evaluaciones de función para llegar a la solución?

fprintf(['The ''trust-region-reflective'' algorithm took %d function evaluations,\n',...
   'and the ''levenberg-marquardt'' algorithm took %d function evaluations.\n'],...
   output.funcCount,output2.funcCount)

The 'trust-region-reflective' algorithm took 87 function evaluations,
and the 'levenberg-marquardt' algorithm took 72 function evaluations.

Represente los datos y el modelo exponencial ajustado.

times = linspace(xdata(1),xdata(end));
plot(xdata,ydata,'ko',times,fun(x,times),'b-')
legend('Data','Fitted exponential')
title('Data and Fitted Curve')

El ajuste tiene buen aspecto. ¿Cuán grandes son los valores residuales?

fprintf(['The ''trust-region-reflective'' algorithm has residual norm %f,\n',...
   'and the ''levenberg-marquardt'' algorithm has residual norm %f.\n'],...
   resnorm,resnorm2)

The 'trust-region-reflective' algorithm has residual norm 9.504887,
and the 'levenberg-marquardt' algorithm has residual norm 9.504887.

Argumentos de entrada

fun — Función que desea ajustar

identificador de función | nombre de función

Función que desea ajustar, especificada como un identificador de función o un nombre de una función. fun es una función que toma dos entradas: un vector o una matriz x, y un vector o una matriz xdata. fun devuelve un vector o una matriz F, la función objetivo evaluada en x y en xdata. La función puede especificarse como un identificador de función para un archivo de función:

x = lsqcurvefit(@myfun,x0,xdata,ydata)

donde myfun es una función de MATLAB^® como

function F = myfun(x,xdata)
F = ...     % Compute function values at x, xdata

fun también puede ser un identificador de función para una función anónima.

f = @(x,xdata)x(1)*xdata.^2+x(2)*sin(xdata);
x = lsqcurvefit(f,x0,xdata,ydata);

lsqcurvefit pasa x a su función objetivo en forma de argumento x0. Por ejemplo, si x0 es un arreglo de 5 por 3, lsqcurvefit pasa x a fun como un arreglo de 5 por 3.

Nota

fun debería devolver fun(x,xdata) y no la suma de cuadrados sum((fun(x,xdata)-ydata).^2). lsqcurvefit calcula implícitamente la suma de cuadrados de los componentes de fun(x,xdata)-ydata. Consulte Ejemplos.

Si la matriz jacobiana también puede calcularse y la opción 'SpecifyObjectiveGradient' es true, configurado mediante

options = optimoptions('lsqcurvefit','SpecifyObjectiveGradient',true)

entonces la función fun debe devolver un segundo argumento de salida con el valor jacobiano J (una matriz) en x. Comprobando el valor de nargout, la función puede evitar calcular J cuando se llama a fun con solo un argumento de salida (en el caso en el que el algoritmo de optimización solo necesite el valor de F, pero no el de J).

function [F,J] = myfun(x,xdata)
F = ...          % objective function values at x
if nargout > 1   % two output arguments
   J = ...   % Jacobian of the function evaluated at x
end

Si fun devuelve un vector (matriz) de m componentes y x tiene n elementos, donde n es el número de elementos de x0, la matriz jacobiana J es una matriz de m por n donde J(i,j) es la derivada parcial de F(i) con respecto a x(j). (La matriz jacobiana J es la traspuesta del gradiente de F). Para obtener más información, consulte Escribir funciones objetivo de vector y de matriz.

Ejemplo: @(x,xdata)x(1)*exp(-x(2)*xdata)

Tipos de datos: char | function_handle | string

x0 — Punto inicial

vector real | arreglo real

Punto inicial, especificado como un vector real o un arreglo real. Los solvers utilizan el número de elementos en x0 y el tamaño de x0 para determinar el número y el tamaño de las variables que fun acepta.

Ejemplo: x0 = [1,2,3,4]

Tipos de datos: double

xdata — Datos de entrada para un modelo

vector real | arreglo real

Datos de entrada para un modelo, especificados como un vector real o un arreglo real. El modelo es

ydata = fun(x,xdata),

donde xdata e ydata son arreglos fijos, y x es el arreglo de parámetros que lsqcurvefit cambia para buscar una suma mínima de cuadrados.

Ejemplo: xdata = [1,2,3,4]

Tipos de datos: double

ydata — Datos de respuesta para un modelo

vector real | arreglo real

Datos de respuesta para un modelo, especificados como un vector real o un arreglo real. El modelo es

ydata = fun(x,xdata),

donde xdata y ydata son arreglos fijos, y x es el arreglo de parámetros que lsqcurvefit cambia para buscar una suma mínima de cuadrados.

El arreglo ydata debe ser del mismo tamaño y la misma forma que el arreglo fun(x0,xdata).

Ejemplo: ydata = [1,2,3,4]

Tipos de datos: double

lb — Límites inferiores

vector real | arreglo real

Límites inferiores, especificados como un vector real o un arreglo real. Si el número de elementos en x0 es igual al número de elementos en lb, entonces lb especifica que

x(i) >= lb(i) para todo i.

Si numel(lb) < numel(x0), entonces lb especifica que

x(i) >= lb(i) para 1 <= i <= numel(lb).

Si lb tiene menos elementos que x0, los solvers emiten una advertencia.

Ejemplo: Para especificar que todos los componentes de x son positivos, utilice lb = zeros(size(x0)).

Tipos de datos: double

ub — Límites superiores

vector real | arreglo real

Límites superiores, especificados como un vector real o un arreglo real. Si el número de elementos en x0 es igual al número de elementos en ub, entonces ub especifica que

x(i) <= ub(i) para todo i.

Si numel(ub) < numel(x0), entonces ub especifica que

x(i) <= ub(i) para 1 <= i <= numel(ub).

Si ub tiene menos elementos que x0, los solvers emiten una advertencia.

Ejemplo: Para especificar que todos los componentes de x son menores que 1, utilice ub = ones(size(x0)).

Tipos de datos: double

options — Opciones de optimización

salida de optimoptions | estructura como la que devuelve optimset

Opciones de optimización, especificadas como la salida de optimoptions o una estructura como la que devuelve optimset.

Algunas opciones son aplicables a todos los algoritmos y otras son relevantes para algoritmos particulares. Consulte Referencia de opciones de optimización para ver información detallada.

Algunas opciones no aparecen en la visualización optimoptions. Estas opciones se muestran en cursiva en la siguiente tabla. Para obtener más detalles, consulte Visualizar opciones.

Todos los algoritmos
Algorithm	Escoja entre 'trust-region-reflective' (opción predeterminada) y 'levenberg-marquardt'. La opción Algorithm especifica una preferencia sobre qué algoritmo utilizar. Se trata únicamente de una preferencia, ya que se deben cumplir ciertas condiciones para utilizar cada uno de los algoritmos. Para el algoritmo trust-region-reflective, no se puede subdeterminar el sistema de ecuaciones no lineales; es decir, el número de ecuaciones (el número de elementos de F devuelto por fun) debe ser, al menos, el mismo que la longitud de x. Para obtener más información sobre cómo elegir el algoritmo, consulte Seleccionar el algoritmo.
CheckGradients	Compare las derivadas proporcionadas por el usuario (gradientes de objetivo o de restricciones) con las derivadas de diferencias finitas. Las opciones son false (predeterminada) o true. Para optimset, el nombre es DerivativeCheck y los valores son 'on' u 'off'. Consulte Nombres de opciones actuales y antiguos.
Diagnóstico	Muestre información de diagnóstico sobre la función que se desea minimizar o resolver. Las opciones son 'off' (predeterminada) o 'on'.
DiffMaxChange	Cambio máximo en variables para gradientes de diferencias finitas (un escalar positivo). La opción predeterminada es Inf.
DiffMinChange	Cambio mínimo en variables para gradientes de diferencias finitas (un escalar positivo). La opción predeterminada es 0.
Display	Nivel de visualización (consulte Iterative Display): 'off' o 'none' no muestran salida alguna. 'iter' muestra la salida en cada iteración y emite el mensaje de salida predeterminado. 'iter-detailed' muestra la salida en cada iteración y emite el mensaje de salida técnico. 'final' (opción predeterminada) solo muestra la salida final y emite el mensaje de salida predeterminado. 'final-detailed' solo muestra la salida final y emite el mensaje de salida técnico.
FiniteDifferenceStepSize	Factor de tamaño de salto de escalar o vector para diferencias finitas. Cuando establece FiniteDifferenceStepSize en un vector v, las diferencias finitas progresivas delta son delta = v.*sign′(x).*max(abs(x),TypicalX); , donde sign′(x) = sign(x) excepto sign′(0) = 1. Las diferencias finitas centrales son delta = v.*max(abs(x),TypicalX); El escalar FiniteDifferenceStepSize se expande a un vector. La opción predeterminada es sqrt(eps) para diferencias finitas progresivas y eps^(1/3) para diferencias finitas centrales. Para optimset, el nombre es FinDiffRelStep. Consulte Nombres de opciones actuales y antiguos.
FiniteDifferenceType	Las diferencias finitas, utilizadas para estimar gradientes, son o bien 'forward' (opción predeterminada), o bien 'central' (centradas). La opción 'central' requiere el doble de evaluaciones de función, pero debería ser más precisa. El algoritmo respeta escrupulosamente los límites cuando estima ambos tipos de diferencias finitas. De este modo, por ejemplo, podrá seleccionar una diferencia regresiva en lugar de progresiva para evitar realizar la evaluación en un punto fuera de los límites. Para optimset, el nombre es FinDiffType. Consulte Nombres de opciones actuales y antiguos.
FunctionTolerance	Tolerancia de terminación en el valor de la función, un escalar positivo. La opción predeterminada es 1e-6. Consulte Tolerancias y criterios de detención. Para optimset, el nombre es TolFun. Consulte Nombres de opciones actuales y antiguos.
FunValCheck	Compruebe si los valores de la función son válidos. 'on' muestra un error cuando la función devuelve un valor complex, Inf o NaN. La opción predeterminada 'off' no muestra ningún error.
MaxFunctionEvaluations	Número máximo de evaluaciones de función permitidas, un entero positivo. El valor predeterminado es 100*numberOfVariables para el algoritmo 'trust-region-reflective' y 200*numberOfVariables para el algoritmo 'levenberg-marquardt'. Consulte Tolerancias y criterios de detención y Iteraciones y recuentos de la función. Para optimset, el nombre es MaxFunEvals. Consulte Nombres de opciones actuales y antiguos.
MaxIterations	Número máximo de iteraciones permitidas, un entero positivo. La opción predeterminada es 400. Consulte Tolerancias y criterios de detención y Iteraciones y recuentos de la función. Para optimset, el nombre es MaxIter. Consulte Nombres de opciones actuales y antiguos.
OptimalityTolerance	Tolerancia de terminación en la optimalidad de primer orden (un escalar positivo). La opción predeterminada es 1e-6. Consulte Medida de optimalidad de primer orden. Internamente, el algoritmo 'levenberg-marquardt' utiliza una tolerancia de optimalidad (criterio de detención) de 1e-4 por la FunctionTolerance y no utiliza OptimalityTolerance. Para optimset, el nombre es TolFun. Consulte Nombres de opciones actuales y antiguos.
OutputFcn	Especifique una o varias funciones definidas por el usuario a las que una función de optimización llame en cada iteración. Pase un identificador de función o un arreglo de celdas de identificadores de función. La opción predeterminada es ninguno ([]). Consulte Output Function and Plot Function Syntax.
PlotFcn	Representa varias medidas de progreso mientras el algoritmo se ejecuta; seleccione una de las gráficas predefinidas o escriba la suya propia. Pase un nombre, un identificador de función o un arreglo de celdas de nombres o identificadores de función. Para funciones de gráfica personalizadas, pase identificadores de función. La opción predeterminada es ninguno ([]): 'optimplotx' representa el punto actual. 'optimplotfunccount' representa el recuento de la función. 'optimplotfval' representa el valor de la función. 'optimplotresnorm' representa la norma de los valores residuales. 'optimplotstepsize' representa el tamaño de salto. 'optimplotfirstorderopt' representa la medida de optimalidad de primer orden. Las funciones de gráfica personalizadas utilizan la misma sintaxis que las funciones de salida. Consulte Output Functions for Optimization Toolbox y Output Function and Plot Function Syntax. Para optimset, el nombre es PlotFcns. Consulte Nombres de opciones actuales y antiguos.
SpecifyObjectiveGradient	Si false (opción predeterminada), el solver aproxima la matriz jacobiana utilizando diferencias finitas. Si true, el solver utiliza una matriz jacobiana definida por el usuario (definida en fun) o información jacobiana (cuando se utiliza JacobMult) para la función objetivo. Para optimset, el nombre es Jacobian y los valores son 'on' u 'off'. Consulte Nombres de opciones actuales y antiguos.
StepTolerance	Tolerancia de terminación en x, un escalar positivo. La opción predeterminada es 1e-6. Consulte Tolerancias y criterios de detención. Para optimset, el nombre es TolX. Consulte Nombres de opciones actuales y antiguos.
TypicalX	Valores x típicos. El número de elementos en TypicalX es igual al número de elementos en x0, el punto de inicio. El valor predeterminado es ones(numberofvariables,1). El solver utiliza TypicalX para escalar diferencias finitas para la estimación de gradientes.
UseParallel	Cuando true, el solver estima gradientes en paralelo. Deshabilite la opción estableciéndola en la opción predeterminada, false. Consulte Computación paralela.
Algoritmo trust-region-reflective
JacobianMultiplyFcn	Función de multiplicación de matriz jacobiana, especificada como un identificador de función. Para problemas estructurados a gran escala, esta función calcula el producto de la matriz jacobiana J*Y, J'*Y o J'*(J*Y) sin formar J. La función tiene el formato W = jmfun(Jinfo,Y,flag) donde Jinfo contiene la matriz utilizada para calcular J*Y (o J'*Y, o J'*(J*Y)). El primer argumento Jinfo debe ser el mismo que el segundo argumento devuelto por la función objetivo fun, por ejemplo, por [F,Jinfo] = fun(x) Y es una matriz que tiene el mismo número de filas que dimensiones hay en el problema. flag determina qué producto se calcula: Si flag == 0, entonces W = J'*(J*Y). Si flag > 0, entonces W = J*Y. Si flag < 0, entonces W = J'*Y. En cada caso, J no se forma explícitamente. El solver utiliza Jinfo para calcular el precondicionador. Consulte Pasar parámetros adicionales para obtener información sobre cómo proporcionar valores para cualquier parámetro adicional que jmfun necesite. Nota 'SpecifyObjectiveGradient' debe establecerse en true para que el solver pase Jinfo de fun a jmfun. Consulte Minimization with Dense Structured Hessian, Linear Equalities y Jacobian Multiply Function with Linear Least Squares para ver ejemplos similares. Para optimset, el nombre es JacobMult. Consulte Nombres de opciones actuales y antiguos.
JacobPattern	Patrón de dispersión de la matriz jacobiana para diferenciación finita. Establezca JacobPattern(i,j) = 1 cuando fun(i) dependa de x(j). De lo contrario, establezca JacobPattern(i,j) = 0. En otras palabras, establezca JacobPattern(i,j) = 1 cuando puede tener ∂fun(i)/∂x(j) ≠ 0. Utilice JacobPattern cuando no sea conveniente calcular la matriz jacobiana J en fun, aunque puede determinar (por ejemplo, inspeccionándolo) cuándo fun(i) depende de x(j). El solver puede aproximar J mediante diferencias finitas dispersas cuando proporciona JacobPattern. Si la estructura es desconocida, no establezca JacobPattern. El comportamiento predeterminado es como si JacobPattern fuera una matriz densa de unos. Entonces, el solver calcula una aproximación completa de diferencias finitas en cada iteración. Esto puede ser costoso para problemas grandes, por lo que normalmente es mejor determinar la estructura de dispersión.
MaxPCGIter	Número máximo de iteraciones PCG (gradiente conjugado precondicionado), un escalar positivo. La opción predeterminada es max(1,numberOfVariables/2). Para obtener más información, consulte Large Scale Nonlinear Least Squares.
PrecondBandWidth	Ancho de banda superior del precondicionador para PCG, un entero no negativo. La opción predeterminada de PrecondBandWidth es Inf, lo que implica que se utiliza una factorización directa (Cholesky) en lugar de los gradientes conjugados (CG). La factorización directa es más costosa computacionalmente que CG, pero produce un salto de mejor calidad hacia la solución. Establezca PrecondBandWidth en 0 para precondicionamiento diagonal (ancho de banda superior de 0). Para algunos problemas, un ancho de banda intermedio reduce el número de iteraciones PCG.
SubproblemAlgorithm	Determina cómo se calcula el salto de iteración. La opción predeterminada, 'factorization', realiza un salto más lento, pero más preciso que 'cg'. Consulte Trust-Region-Reflective Least Squares.
TolPCG	Tolerancia de terminación en la iteración PCG, un escalar positivo. La opción predeterminada es 0.1.
Algoritmo Levenberg-Marquardt
InitDamping	Valor inicial del parámetro de Levenberg-Marquardt, un escalar positivo. La opción predeterminada es 1e-2. Para obtener más detalles, consulte Levenberg-Marquardt Method.
ScaleProblem	'jacobian' puede, en ocasiones, mejorar la convergencia de un problema que no esté bien escalado; la opción predeterminada es 'none'.

Ejemplo: options = optimoptions('lsqcurvefit','FiniteDifferenceType','central')

problem — Estructura de problema

estructura

Estructura de problema, especificada como una estructura con los siguientes campos:

Nombre de campo	Entrada
objective	Función objetivo de x y xdata
x0	Punto inicial para x, solo algoritmo de conjunto activo
xdata	Datos de entrada para función objetivo
ydata	Datos de salida con los que debe coincidir la función objetivo
lb	Vector de límites inferiores
ub	Vector de límites superiores
solver	'lsqcurvefit'
options	Opciones creadas con optimoptions

Debe proporcionar al menos los campos objective, x0, solver, xdata, ydata y options en la estructura problem.

Tipos de datos: struct

Argumentos de salida

x — Solución

vector real | arreglo real

Solución, devuelta como un vector real o un arreglo real. El tamaño de x es el mismo que el tamaño de x0. Habitualmente, x es una solución local al problema cuando exitflag es positivo. Para obtener información sobre la calidad de la solución, consulte Cuando el solver tiene éxito.

resnorm — Norma cuadrada del valor residual

valor real no negativo

Norma cuadrada del valor residual, devuelta como un valor real no negativo. resnorm es la norma euclídea al cuadrado del valor residual en x: sum((fun(x,xdata)-ydata).^2).

residual — Valor de la función objetivo en la solución

arreglo

Valor de la función objetivo en la solución, devuelto como un arreglo. En general, residual = fun(x,xdata)-ydata.

exitflag — Razón por la que el solver se ha detenido

valor entero

Razón por la que el solver se ha detenido, devuelta como un entero.

1	La función ha convergido a una solución x.
2	El cambio en x es menor que la tolerancia especificada o la matriz jacobiana en x no está definida.
3	El cambio en el valor residual es menor que la tolerancia especificada.
4	La magnitud relativa de la dirección de búsqueda es menor que la tolerancia de salto.
0	El número de iteraciones sobrepasa options.MaxIterations o el número de evaluaciones de función ha sobrepasado options.MaxFunctionEvaluations.
-1	Una función de gráfica o una función de salida ha detenido el solver.
-2	El problema no es factible: los límites lb y ub son inconsistentes.

output — Información sobre el proceso de optimización

estructura

Información sobre el proceso de optimización, devuelta como estructura con campos:

firstorderopt	Medida de optimalidad de primer orden
iterations	Número de iteraciones realizadas
funcCount	Número de evaluaciones de función
cgiterations	Número total de iteraciones PCG (solo algoritmo trust-region-reflective)
stepsize	Desplazamiento final en x
algorithm	Algoritmo de optimización utilizado
message	Mensaje de salida

lambda — Multiplicadores de Lagrange en la solución

estructura

Multiplicadores de Lagrange en la solución, devueltos como una estructura con campos:

lower	Límites inferiores lb
upper	Límites superiores ub

jacobian — Matriz jacobiana en la solución

matriz real

Matriz jacobiana en la solución, devuelta como una matriz real. jacobian(i,j) es la derivada parcial de fun(i) con respecto a x(j) en la solución x.

Limitaciones

• El algoritmo trust-region-reflective no resuelve sistemas subdeterminados; requiere que el número de ecuaciones, es decir, la dimensión de fila de F, sea al menos igual que el número de variables. En el caso subdeterminado, lsqcurvefit utiliza el algoritmo Levenberg-Marquardt.

• lsqcurvefit puede resolver problemas de valores complejos de forma directa. Tenga en cuenta que los límites de restricción no tienen sentido para valores complejos. Para un problema complejo con límites de restricción, divida las variables en partes reales e imaginarias. Consulte Fit a Model to Complex-Valued Data.

• El cálculo de precondicionador utilizado en la parte del gradiente conjugado precondicionado del método trust-region-reflective forma J^TJ (donde J es la matriz jacobiana) antes de calcular el precondicionador. Por lo tanto, una fila de J con muchos elementos distintos de cero, que resulta en un producto J^TJ casi denso, puede traducirse en un proceso de resolución costoso para problemas grandes.

• Si los componentes de x no tienen límites superiores (o inferiores), lsqcurvefit prefiere que los correspondientes componentes de ub (o lb) se establezcan en inf (o -inf para límites inferiores) en lugar de un número positivo arbitrario, pero muy grande (o negativo para límites inferiores).

Puede utilizar el algoritmo trust-region reflective en lsqnonlin, lsqcurvefit y fsolve con problemas a pequeña o mediana escala sin calcular la matriz jacobiana en fun o sin proporcionar el patrón de dispersión de la matriz jacobiana. (Esto también se aplica al uso de fmincon o fminunc sin calcular la matriz Hessiana o sin proporcionar el patrón de dispersión de la matriz hessiana). ¿Cómo de pequeña es la escala pequeña o mediana? No existe ninguna respuesta absoluta, ya que depende de la cantidad de memoria virtual en la configuración que haya disponible en sistema del ordenador.

Suponga que su problema tiene m ecuaciones y n incógnitas. Si el comando J = sparse(ones(m,n)) provoca un error Out of memory en su equipo, se trata claramente de un problema demasiado grande. Si no provoca un error, es posible que el problema aún sea demasiado grande. Solo puede saberlo ejecutándolo y comprobando si MATLAB se ejecuta dentro de la cantidad de memoria virtual disponible en el sistema.

Algoritmos

Los métodos Levenberg-Marquardt y trust-region-reflective se basan en los algoritmos de mínimos cuadrados no lineales que también se utilizan en fsolve.

• Este algoritmo trust-region-reflective predeterminado es un método de región de confianza de subespacio y se basa en el método de Newton de reflejo de punto interior descrito en [1] y [2]. Cada iteración implica la solución aproximada de un sistema lineal amplio utilizando el método de gradientes conjugados precondicionados (PCG). Consulte Trust-Region-Reflective Least Squares.

• El método de Levenberg-Marquardt se describe en las referencias [4], [5] y [6]. Consulte Levenberg-Marquardt Method.

Funcionalidad alternativa

App

La tarea Optimize de Live Editor proporciona una interfaz visual para lsqcurvefit.

Referencias

[1] Coleman, T.F. and Y. Li. “An Interior, Trust Region Approach for Nonlinear Minimization Subject to Bounds.” SIAM Journal on Optimization, Vol. 6, 1996, pp. 418–445.

[2] Coleman, T.F. and Y. Li. “On the Convergence of Reflective Newton Methods for Large-Scale Nonlinear Minimization Subject to Bounds.” Mathematical Programming, Vol. 67, Number 2, 1994, pp. 189–224.

[3] Dennis, J. E. Jr. “Nonlinear Least-Squares.” State of the Art in Numerical Analysis, ed. D. Jacobs, Academic Press, pp. 269–312.

[4] Levenberg, K. “A Method for the Solution of Certain Problems in Least-Squares.” Quarterly Applied Mathematics 2, 1944, pp. 164–168.

[5] Marquardt, D. “An Algorithm for Least-squares Estimation of Nonlinear Parameters.” SIAM Journal Applied Mathematics, Vol. 11, 1963, pp. 431–441.

[6] Moré, J. J. “The Levenberg-Marquardt Algorithm: Implementation and Theory.” Numerical Analysis, ed. G. A. Watson, Lecture Notes in Mathematics 630, Springer Verlag, 1977, pp. 105–116.

[7] Moré, J. J., B. S. Garbow, and K. E. Hillstrom. User Guide for MINPACK 1. Argonne National Laboratory, Rept. ANL–80–74, 1980.

[8] Powell, M. J. D. “A Fortran Subroutine for Solving Systems of Nonlinear Algebraic Equations.” Numerical Methods for Nonlinear Algebraic Equations, P. Rabinowitz, ed., Ch.7, 1970.

Capacidades ampliadas

Generación de código C/C++

Genere código C y C++ mediante MATLAB® Coder™.

• lsqcurvefit y lsqnonlin admiten generar código utilizando la función codegen (MATLAB Coder) o la app MATLAB Coder™. Debe disponer de una licencia de MATLAB Coder para generar código.

• El hardware de destino debe ser compatible con los cálculos estándar de punto flotante de doble precisión. No puede generar código para cálculos de precisión simple o de punto fijo.

• Los destinos de generación de código no utilizan las mismas bibliotecas del núcleo matemático que los solvers de MATLAB. Por ello, las soluciones de generación de código pueden variar con respecto a las soluciones de solver, especialmente en problemas que no están bien condicionados.

• Todo el código que se vaya a generar debe ser código de MATLAB. En particular, no puede utilizar una función de caja negra personalizada como una función objetivo para lsqcurvefit o lsqnonlin. Puede utilizar coder.ceval para evaluar una función personalizada con código C o C++. No obstante, la función personalizada debe llamarse en una función de MATLAB.

• lsqcurvefit y lsqnonlin no son compatibles con el argumento problem para generar código.

  [x,fval] = lsqnonlin(problem) % Not supported

• Debe especificar la función objetivo utilizando identificadores de función, no cadenas ni nombres de caracteres.

  x = lsqnonlin(@fun,x0,lb,ub,options) % Supported
  % Not supported: lsqnonlin('fun',...) or lsqnonlin("fun",...)

• Todas las matrices de entrada lb y ub deben ser matrices llenas, no dispersas. Puede convertir las matrices dispersas en matrices llenas mediante la función full.

• Los argumentos lb y ub deben tener el mismo número de entradas que el argumento x0 o deben estar vacíos [].

• Para optimizar código de manera avanzada con procesadores integrados, también necesita una licencia de Embedded Coder^®.

• Debe incluir opciones para lsqcurvefit o lsqnonlin y especificarlas utilizando optimoptions. Las opciones deben incluir la opción Algorithm, establecida en 'levenberg-marquardt'.

  options = optimoptions('lsqnonlin','Algorithm','levenberg-marquardt');
  [x,fval,exitflag] = lsqnonlin(fun,x0,lb,ub,options);

• La generación de código es compatible con estas opciones:

  • Algorithm: debe ser 'levenberg-marquardt'

  • FiniteDifferenceStepSize

  • FiniteDifferenceType

  • FunctionTolerance

  • MaxFunctionEvaluations

  • MaxIterations

  • SpecifyObjectiveGradient

  • StepTolerance

  • TypicalX

• El código generado tiene verificación de errores limitada para opciones. La forma recomendada para actualizar una opción es utilizar optimoptions, no notación de puntos.

  opts = optimoptions('lsqnonlin','Algorithm','levenberg-marquardt');
  opts = optimoptions(opts,'MaxIterations',1e4); % Recommended
  opts.MaxIterations = 1e4; % Not recommended

• No cargue opciones desde un archivo, ya que la generación de código podría fallar. En su lugar, cree opciones en el código.

• Normalmente, si especifica una opción no compatible, dicha opción se ignora silenciosamente durante la generación de código. No obstante, si especifica una función de gráfica o una función de salida utilizando notación de puntos, la generación de código puede emitir un error. Para una mayor fiabilidad, especifique únicamente opciones compatibles.

• Dado que las funciones de salida y las funciones de gráfica no son compatibles, los solvers no devuelven el indicador de salida –1.

Para ver un ejemplo, consulte Generate Code for lsqcurvefit or lsqnonlin.

Soporte paralelo automático

Acelere código mediante la ejecución automática de cálculo paralelo mediante Parallel Computing Toolbox™.

Para ejecutar en paralelo, establezca la opción 'UseParallel' en true.

options = optimoptions('solvername','UseParallel',true)

Para obtener más información, consulte Using Parallel Computing in Optimization Toolbox.

Historial de versiones

Introducido antes de R2006a

Consulte también

fsolve | lsqnonlin | optimoptions | Optimize

Temas

• Mínimos cuadrados no lineales (ajuste de curvas)
• Configuración de problema de optimización basada en solvers
• Least-Squares (Model Fitting) Algorithms

×

Abrir ejemplo

Tiene una versión modificada de este ejemplo. ¿Desea abrir este ejemplo con sus modificaciones?

No, sobrescribir la versión modificada Sí