我有一个已知的模型，我正在尝试使其适合实际数据。
fun = @(b,x) b(1)*x(:,1)./(x(:,2).^b(2));
beta0 = [70 1.1]; % expected range is 40-130, and 1.0-1.3
[beta,r]=nlinfit(X,tmp_y,fun,beta0);
当我使用nlinfit时，它告诉我我的函数正在返回Inf的值。我深入到代码中，发现在拟合的第二次迭代中，它过度补偿了第二个beta项，使其降至-80。如果
x(:,2)的值非常大，则会导致x的所有值均被零除。我可以设置一些选项来防止这种情况发生吗？我已经阅读了文档，但是我不太了解所有选项的实际作用。
最佳答案
让我们假设您的代码中唯一的问题是，由于出现了一些零值或负值，因此值之间存在差异。在这种情况下，有一个简单的技巧可以解决此问题。而不是直接估计b(i)，而是定义c(i)= ln(b(i))，这意味着b(i)= exp(c(i))。因此，在方程式中将b(i)替换为exp(c(i))。
fun = @(c，x)exp(c(1))* x(:，1)./(x(:，2)。^ exp(c(2)));
在估计c(i)之后，评估b(i)= exp(c(i))。请注意，在这种情况下，您允许c(i)具有零和负值，但b(i)始终为正。
关于matlab - Matlab nlinfit正在发散，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/21911939/