通过Levenberg-Marquardt算法获得的参数集合，该集合是输入数据点(X, Y)的最佳拟合，数据点可由非线性函数y＝f(x,a)表示，a是参数的集合。必须手动选择所需多态实例。


icon

该VI通过Levenberg-Marquardt方法计算最佳拟合参数，以最小化Y的观测值与最佳非线性拟合之间的加权均方误差。下列方程为曲线模型：

y[i] = f(x[i], a0, a1, a2, …)

a0, a1, a2, …是参数。

Levenberg-Marquardt方法无需y与参数之间存在线性关系。

Hessian矩阵是数值优化方法（例如，牛顿方法）中常见的矩阵。为避免奇异Hessian矩阵的弱点，Levenberg-Marquardt方法为Hessian矩阵添加正定对角矩阵。该矩阵是Levenberg-Marquardt方法和牛顿方法的不同之处。关于Levenberg-Marquardt方法的更多信息，见数学相关文档中的数值优化。

可使用非线性Levenberg-Marquardt法拟合线性和非线性曲线。拟合曲线时，广义线性拟合VI的效率更高。必须验证使用Levenberg-Marquardt方法获得的结果，该方法不保证一定能获得正确的结果。

范例

请参考LabVIEW附带的下列范例文件。

  • 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