1.锁相环
2.VCO
3.插值
4.多项式拟合
5.最小二乘拟合
说明
x = lsqcurvefit(fun,x0,xdata,ydata) 从x0开始,找到最适合非线性函数fun(x,xdata)与数据ydata的系数x(在最小二乘法意义上)。ydata必须与fun返回的向量(或矩阵)F大小相同。
注意
传递额外参数解释了如何在必要时为向量函数fun(x)传递额外参数。
x = lsqcurvefit(fun,x0,xdata,ydata,lb,ub) 在x中定义了一组设计变量的上下限,因此,解总是在lb≤x≤ub的范围内。你可以通过指定lb(i)= ub(i)来固定解的组件x(i)。
注意
如果一个问题的指定输入边界不一致,输出x是x0,输出resnorm和residual是[]。
x0中违反lb ≤ x ≤ ub界限的部分被重置到由界限定义的盒子内部。尊重边界的成分不会被改变。
x = lsqcurvefit(fun,x0,xdata,ydata,lb,ub,options) 使用options中指定的优化选项进行最小化。使用optimoptions来设置这些选项。如果不存在边界,则传递lb和ub的空矩阵。
x = lsqcurvefit(problem) 找到问题的最小值,其中问题是输入参数中描述的结构。通过从优化应用程序中导出一个问题来创建问题结构,如导出你的工作中所述。
[x,resnorm] = lsqcurvefit(___),对于任何输入参数,返回x处残差的平方2-norm值:sum((fun(x,xdata)-ydata).^2)。
[x,resnorm,residual,exitflag,output] = lsqcurvefit(___) 另外返回解x处的残差fun(x,xdata)-ydata的值,一个描述退出条件的值exitflag,以及一个包含优化过程信息的结构输出。
[x,resnorm,residual,exitflag,output,lambda,jacobian] = lsqcurvefit(___) 另外返回一个结构lambda,其字段包含解x处的拉格朗日乘数,以及解x处的fun的雅各布系数。
6.根据次数为r的多项式求取原多项式