多变量线性优化问题：Matlab中模拟数据拟合观测数据方法咨询

问题转化 #

你的需求本质是非负约束下的最小二乘拟合：将所有模拟数据按列拼接成矩阵C（m×n，m为数据行数，n为模拟数据集数量），观测数据d为m×1向量，求解非负向量sf使得残差平方和||C*sf - d||²最小，对应你给出的方程sf1*c1+...+sfn*cn = d + error。

核心工具：lsqnonneg函数 #

lsqnonneg是Matlab专门用于非负最小二乘问题的函数，完全支持10-100个变量的场景，无需担心规模问题。它不需要强制传入初始值，但如果有先验知识（比如手动拟合的结果），传入初始值可加快收敛。

完整代码示例 #

% 前提：已加载观测数据d（m×1）和模拟数据c1,c2,...,cn（每个均为m×1）
% 1. 构造系数矩阵C：将所有模拟数据按列拼接
C = [c1, c2, c3, c4]; % 根据实际模拟数据集数量扩展列数

% 2. 设置初始值（可选，若无先验知识可跳过，函数默认用全0初始值）
sf_initial = ones(size(C,2), 1); % 示例：全1初始值，可替换为手动拟合的结果

% 3. 求解最优非负比例因子
[sf_opt, resnorm, error_vec, exitflag, output] = lsqnonneg(C, d, sf_initial);

% 4. 输出结果与分析
disp('最优非负比例因子：');
disp(sf_opt);
disp(['残差平方和：', num2str(resnorm)]);
disp(['拟合误差向量的L2范数：', num2str(norm(error_vec))]);

% 可选：可视化拟合效果（如果是时序或可绘图数据）
plot(d, 'b-', C*sf_opt, 'r--');
legend('观测数据', '拟合结果');
xlabel('数据点索引');
ylabel('数值');

进阶优化：处理多重共线性 #

如果模拟数据集之间存在较强的线性相关性（多重共线性），可能导致解不稳定。此时可加入L2正则化，用lsqlin实现：

lambda = 0.01; % 正则化参数，需根据数据调整（可通过交叉验证确定）
n = size(C, 2);
% 构造正则化后的目标函数
H = C'*C + lambda*eye(n);
f = -C'*d;
% 设置非负约束
lb = zeros(n, 1);
ub = []; % 无上限约束

% 求解带正则化的非负最小二乘
sf_opt_reg = lsqlin(H, f, [], [], [], [], lb, ub);

关键说明 #

• lsqnonneg内部采用活跃集算法，处理10-100变量的问题效率极高，无需手动干预迭代过程。
• 初始值仅影响收敛速度，不影响最终最优解（只要问题有唯一解）。
• 残差平方和resnorm直接反映拟合质量，数值越小说明拟合效果越好。

内容的提问来源于stack exchange，提问作者theusualbusiness