레벤버그-마르카토 알고리즘을 사용하여 비선형 함수 y = f(x,a)로 표현되는 입력 데이터 포인트(X, Y)의 집합에 가장 적합한 파라미터 집합을 결정합니다. 이 때 a는 파라미터의 집합입니다. 반드시 사용할 다형성 인스턴스를 수동으로 선택해야 합니다.


icon

이 VI는 레벤버그-마르카토법을 사용하여 Y와 최적 비선형 피팅의 측정값 사이의 가중된 에러 제곱 평균을 최소화하는 최적 피팅 파라미터를 계산합니다. 다음 식은 커브 모델을 정의합니다:

y[i] = f(x[i], a0, a1, a2, …)

이 때 a0, a1, a2,… 는 파라미터입니다.

레벤버그-마르카토법에서는 파라미터와의 선형 관계를 구하는데 y가 필요하지 않습니다.

헤시안 행렬은 뉴턴법과 같은 수치 최적화 방법에서 일반적인 행렬입니다. 특이 헤시안 행렬의 단점을 피하기 위해, 레벤버그-마르카토법은 양의 정부호 대각 행렬을 헤시안 행렬에 추가합니다. 이 양의 정부호 대각 행렬이 레벤버그-마르카토법과 가우스 뉴턴법 사이의 주된 차이점입니다. 레벤버그-마르카토법에 대한 더 자세한 정보는 수학 관련 문서 토픽의 수치 최적화를 참조하십시오.

비선형 레벤버그-마르카토법을 사용하여 선형이나 비선형 커브를 피팅합니다. 그러나 선형 커브를 피팅할 때에는 이 VI보다 [일반 선형 피팅] VI가 더 효율적입니다. 레벤버그-마르카토법이 언제나 올바른 결과를 보증하지는 않기 때문에 이 방법으로 얻은 결과는 반드시 검증해야 합니다.

예제

LabVIEW 포함되는 다음 예제 파일을 참조하십시오.

  • labview\examples\Mathematics\Fitting\Ellipse fit.vi
  • labview\examples\Mathematics\Fitting\Sum of 3 Gaussians with offset fit.vi
  • labview\examples\Mathematics\Fitting\Gaussian surface with offset fit.vi