La traducción de esta página está obsoleta. Haga clic aquí para ver la última versión en inglés.
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 Problem-Based Optimization Workflow. 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 | Optimice o resuelva ecuaciones en Live Editor |
Temas
Mínimos cuadrados no lineales basados en problemas
- Nonlinear Least-Squares, Problem-Based
Basic example of nonlinear least squares using the problem-based approach. - 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, Problem-Based
Fit parameters on 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. - Fit an Ordinary Differential Equation (ODE)
Example showing how to fit parameters of an ODE to data, or fit parameters of a curve to the solution of an 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. - Optimization Options Reference
Explore optimization options.