教学项目4 数值分析解析法模型.pptVIP

输入格式为: (1) x = lsqcurvefit (‘fun’,x0,xdata,ydata); (2) x =lsqcurvefit (‘fun’,x0,xdata,ydata,options); (3) x = lsqcurvefit (‘fun’,x0,xdata,ydata,options,’grad’); (4) [x, options] = lsqcurvefit (‘fun’,x0,xdata,ydata,…); (5) [x, options,funval] = lsqcurvefit (‘fun’,x0,xdata,ydata,…); (6) [x, options,funval, Jacob] = lsqcurvefit (‘fun’,x0,xdata,ydata,…); fun是一个事先建立的定义函数F(x,xdata) 的M-文件, 自变量为x和xdata 说明：x = lsqcurvefit (‘fun’,x0,xdata,ydata,options); 迭代初值 已知数据点 选项见无 约束优化 lsqnonlin用以求含参量x（向量）的向量值函数 f(x)=(f1(x),f2(x),…,fn(x))T 中的参量x，使得 最小。 其中 fi（x）=f（x，xdatai，ydatai） =F(x,xdatai)-ydatai 2. lsqnonlin 已知数据点： xdata=（xdata1，xdata2，…，xdatan） ydata=（ydata1，ydata2，…，ydatan） 输入格式为： 1） x=lsqnonlin（‘fun’，x0）； 2） x= lsqnonlin （‘fun’，x0，options）； 3） x= lsqnonlin （‘fun’，x0，options，‘grad’）； 4） [x，options]= lsqnonlin （‘fun’，x0，…）； 5） [x，options，funval]= lsqnonlin （‘fun’，x0，…）； 说明：x= lsqnonlin （‘fun’，x0，options）； fun是一个事先建立的定义函数f(x)的M-文件，自变量为x 迭代初值 选项见无 约束优化 例2 用下面一组数据拟合 中的参数a，b，k 该问题即解最优化问题： 1）编写M-文件 curvefun1.m function f=curvefun1(x,tdata) f=x(1)+x(2)*exp(-0.02*x(3)*tdata) %其中 x(1)=a; x(2)=b；x(3)=k; 2）输入命令 tdata=100:100:1000 cdata=1e-03*[4.54,4.99,5.35,5.65,5.90,6.10,6.26,6.39, 6.50,6.59]; x0=[0.2,0.05,0.05]; x=lsqcurvefit (curvefun1,x0,tdata,cdata) f= curvefun1(x,tdata) F(x，tdata)= ，x=(a，b，k) 解法1. 用命令lsqcurvefit 3）运算结果为： f =0.0043 0.0051 0.0056 0.0059 0.0061 0.0062 0.0062 0.0063 0.0063 0.0063 x = 0.0063 -0.0034 0.2542 4）结论：a=0.0063, b=-0.0034, k=0.2542 解法 2 用命令lsqnonlin f(x)=F(x,tdata,ctada)= x=（a，b，k） 1）编写M-文件 curvefun2.m function f=curvefun2(x) tdata=100:100:1000; cdata=1e-03*[4.54,4.99,5.35,5.65,5.90, 6.10,6.26,6.39,6.50,6.59]; f=x(1)+x(