解决方法

目标是为模型找到参数 $${\stackrel{＾}{\mathrm{一个}}}_{我}$$，我= 1, 2, 3。

将参数与使用的数据拟合lsqcurvefit，则需要定义拟合函数。为lsqcurvefit，拟合函数取一个参数向量一个和数据xdata并返回对响应的预测，它应该等于ydata没有噪音和完美的模型。定义拟合函数预测作为匿名函数。

预测= @ (xdata) (1) * 1 (100 1) + (2) * exp (- a (3) * xdata);

为了使模型与数据相符，lsqcurvefit需要初步估计a0的参数。

a0 = (2; 2; 2);

调用lsqcurvefit求最佳拟合参数 $${\stackrel{＾}{\mathrm{一个}}}_{我}$$．

[ahat, resnorm,残余,exitflag输出,λ,雅可比矩阵)=．..lsqcurvefit(预测、a0 xdata ydata);

代码生成方法

要使用代码生成解决相同的问题，请完成以下步骤。

解决方法

目标是为模型找到参数 $${\stackrel{＾}{\mathrm{一个}}}_{我}$$，我= 1, 2, 3。

将参数与使用的数据拟合lsqnonlin，则需要定义拟合函数。为lsqnonlin，拟合函数取一个参数向量一个,数据xdata，以及数据ydata．拟合函数返回响应预测和数据之间的差值ydata，它应该等于0，没有噪声，是一个完美的模型。定义拟合函数预测作为匿名函数。

预测= @ (a) ((1) * (100 1) + (2) * exp (- a (3) * xdata) - ydata)

为了使模型与数据相符，lsqnonlin需要初步估计a0的参数。

a0 = (2; 2; 2);

调用lsqnonlin求最佳拟合参数 $${\stackrel{＾}{\mathrm{一个}}}_{我}$$．

[ahat, resnorm,残余,exitflag输出,λ,雅可比矩阵)=．..lsqnonlin(预测、a0);

代码生成方法

要使用代码生成解决相同的问题，请完成以下步骤。