matlab的lsqnonlin函数怎么用
函数使用方法如下：
x＝lsqnonlin（fun，x0）
x＝lsqnonlin（fun，x0，lb，ub）
x＝lsqnonlin（fun，x0，lb，ub，options）
［x，resnorm］＝lsqnonlin（．．．）
［x，resnorm，residual］＝lsqnonlin（．．．）
［x，resnorm，residual，exitflag］＝lsqnonlin（．．．）
［x，resnorm，residual，exitflag，output］＝lsqnonlin（．．．）
［x，resnorm，residual，exitflag，output，lambda］＝lsqnonlin（．．．）［x，resnorm，residual，exitflag，output，lambda，jacobian］＝lsqnonlin（．．．）
注：
1、lsqnonlin解决非线性最小二乘法问题，包含非线性数据的拟合问题
2、fun函数包含返回值为一个向量，该向量包含了各个求和的分量（以便于找到使目标最小的可行解）。
3、各参数可做为常量在函数中事先给出，也可传递得到（参数表加到lsqnonlin的后面，当然除了调用时候系统会使用的反复迭代的参数）。
4、不选的可致空集。（其中初值一般要有。lb，ub，option可空，即【】）
扩展资料：
MATLAB实现
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
下面的例子说明利用LSQNONLIN函数用下面的函数进行拟合：
f＝A＋Bexp（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，将它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。
functiondiff＝fit＿simp（x，X，Y）
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：
＞＞X＝0：．01：．5；
＞＞Y＝2．0．＊exp（5．0．＊X）＋3．0．＊exp（2．5．＊X）＋1．5．＊rand（size（X））；
＞＞X0＝［11111］＇；
＞＞options＝optimset（＇Largescale＇，＇off＇）；
＞＞x＝lsqnonlin（＠fit＿simp，X0，［］，［］，options，X，Y）；
Optimizationterminatedsuccessfully：
GradientinthesearchdirectionlessthantolFun
Gradientlessthan10＊（tolFun＋tolX）
＞＞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。
参考资料：
lsqnonlin函数使用方法：
1、lsqnonlin为非线性最小二乘函数
2、格式
最简单的调用格式为：x=lsqnonlin(@F,x0, v1,v2)
最复杂的调用格式为：[x,norm,res,ef,out,lam,jac] = lsqnonlin(@F,x0,v1,v2,opt,P1,P2, ... )
x0为初始解（缺省时程序自动取x0=0）； F给出目标函数的M文件，当Jacobian='on时必须给出其Jacobi矩阵，一般形式为：function [F,J] = Fun(x)。
扩展资料：
lsqnonlin输出变量的含义为：
1、 x ： 最优解
2、 norm ： 误差的平方和
3、res： 误差向量
4、 ef ： 程序结束时的状态指示：
1）、 >0：收敛
2）、0：函数调用次数或迭代次数达到最大值（该值在options中指定）
3）、<0：不收敛
5、 out: 包含以下数据的一个结构变量
1）、funcCount 函数调用次数
2）、 iterations 实际迭代次数
3）、cgiterations 实际PCG迭代次数（大规模计算用）
4）、algorithm 实际使用的算法
5）、stepsize 最后迭代步长（中等规模计算用）
6）、firstorderopt 一阶最优条件满足的情况（大规模计算用）
6、 lam：上下界所对应的Lagrange乘子
7、 jac：结果（x点）处的雅可比矩阵
matlab的lsqnonlin（）函数主要用于拟合非线性函数的系数，其处理方法是利用最小二乘法原理，使得函数的均方误差最小。
lsqnonlin（）函数基本使用格式：
x = lsqnonlin(fun,x0,lb,ub,options)
x——使用迭代法搜索最优参数，x可以是一个变量，也可以是多个变量
fun——自定义函数，即非线性函数
x0——x变量的迭代初值
lb,ub——x值的上下限制值，即x值的范围设定，也可以是空矩阵【】
options—— 使用optimoptions设置选项，可以参照matlab的使用手册
使用实例：
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];
fun = @(x)x(1)*exp(x(2)*xdata)-ydata;
x0 = [100,-1];
options = optimoptions(@lsqnonlin,'Algorithm','trust-region-reflective');
x = lsqnonlin(fun,x0,[],[],options)
运行结果
x = 498.8309 -0.1013 %即x1=498.8309，x2=-0.1013
x
=
lsqnonlin(fun,x0)
x
=
lsqnonlin(fun,x0,lb,ub)
x
=
lsqnonlin(fun,x0,lb,ub,options)
[x,resnorm]
=
lsqnonlin(...)
[x,resnorm,residual]
=
lsqnonlin(...)
[x,resnorm,residual,exitflag]
=
lsqnonlin(...)
[x,resnorm,residual,exitflag,output]
=
lsqnonlin(...)
[x,resnorm,residual,exitflag,output,lambda]
=lsqnonlin(...)[x,resnorm,residual,exitflag,output,lambda,jacobian]=
lsqnonlin(...)
注：
1.lsqnonlin解决非线性最小二乘法问题，包含非线性数据的拟合问题
2.fun函数包含返回值为一个向量，该向量包含了各个求和的分量（以便于找到使目标最小的可行解）。
3.各参数可做为常量在函数中事先给出，也可传递得到（参数表加到lsqnonlin的后面，当然除了调用时候系统会使用的反复迭代的参数）。
4.不选的可致空集。(其中初值一般要有。lb，ub，option可空，即【】）
按照课本上的说法，isqnonlin主要用于求解非线性最小二乘（曲线拟合）问题。最一般的调用方法：
[x,norm,res,ef,out,lam,jac]=isqnonlin(@F,x0,v1,v2,opt,P1,P2,...)
左边是输出列表，右边是输入列表。
输出列表中参数的含义是：
x：目标函数F中的待定参数
norm：误差的平方
res：误差的向量
ef：程序停止运行的原因
out：一个结构变量，包含程序运行或停止时的一些信息
lam：上下界所对应的拉格朗日乘子
jac：结果（x点）处的雅可比矩阵
输入列表中参数的含义：
F：调用的函数
x0：迭代初值或有根区间
v1等：课本上没说我也不知道，一般写作[]，意思是使用缺省值（默认值）
opt控制程序运行的参数，一般写作[]，意思也是使用缺省值（默认值）
P1等:传递给F的参数（有需要的话）
以上就是isqnonlin的调用方法，最后再提醒大家，并不需要把所有的输入输出都写出来，只需要写出自己需要的就行。
举个例子(比如只想要x)：
函数
function h=aabb(x)
h(1)=x(2)-x(1)^2;
h(2)=1-x(1);
命令行
x0=[2,2];
[x]=lsqnonlin(@aabb,x0)
结果为
1 .000 1.000
以上~
