利用nls进行非线性模型中的参数估计

nls参数估计

利用nls进行非线性模型中的参数估计

R中的nls用于非线性回归建模,对非线性函数的参数进行最优化的过程，最优化后的参数会使得模型的RSS（残差平方和）达到最小。

1、非线性函数

本例中的函数（如下）：因变量为K，自变量为theta_w,常数值Ks，n，未知参数为ts，theta_c。 现在实测值K，以及其对应的theta_w已知，利用R中的nls对未知参数参数进行估计。

f  <- function(theta_w,Ks,n,ts,theta_c){
  Ksat <- Ks^(1-n)*0.6^n
  Kdry <- 0.75*10^(-1.2*n)
  b1<- ((-theta_c*Ksat^(1/ts))+((n- theta_c)*Kdry^(1/ts))) / (2*(n-theta_c))
  b2<- (Ksat^(1/ts)-Kdry^(1/ts))/ (2*(n-theta_c))
  b3<- ((theta_c*Ksat^(1/ts)-(n-theta_c)*Kdry^(1/ts))^2+(4*theta_c*(n-theta_c)*Ksat^(1/ts)*Kdry^(1/ts)))/((Ksat^(1/ts)-Kdry^(1/ts))^2)
  sgn<- ifelse (ts>0,1,-1)
  b<-(b3+2*theta_w*b1*b2^(-1)+theta_w^2)
  (b1+b2*theta_w+sgn*b2*sqrt(b))^ts
}

2、样本数据

	Ks	N	Vw	K
959	3	0.4	0.08	0.70
960	3	0.4	0.16	0.92
961	3	0.4	0.24	1.14
962	3	0.4	0.32	1.32
963	3	0.4	0.40	1.47

3、拟合

# nls函数
Kmodel <- nls(K~f(Vw,Ks,N,ts,theta_c),
              data=b,
              start = list(ts=0.3,theta_c=0.01),
              trace = T,
              algorithm = "plinear") 

# 生成新的数据，检验拟合效果
# 自变量Vw
linedata <- data.frame(Vw=seq(range(b$Vw)[1],range(b$Vw)[2],length.out = 1000))

# 模型预测的因变量p.precict
linedata$