R语言如何使用tryCatch处理nlsLM拟合的奇异梯度报错

已知前置条件 #

• 拟合目标为分段二次线性CFI曲线，采用非线性最小二乘估计，可选实现函数为nlsLM、nls2
• 已完成前序数据逻辑修正，nlsLM调用时的无限循环问题已解决，剩余未处理报错为singular gradient matrix at initial parameter estimates（初始参数估计处梯度矩阵奇异），ID为5470的样本组可稳定复现该报错
• 现有配套资源：
  • 全流程批量拟合代码：覆盖依赖包加载、数据读取、nls2暴力算法初筛初始参数、带权重与上下界约束的nlsLM拟合、残差自相关检验、负残差样本剔除迭代全逻辑
  • .Rdata格式测试数据集
  • 自定义函数集：包含参数转换函数abcd.2、非线性模型函数nls.func.2、预测函数pred.func.2
• 报错触发位置：批量循环内调用nlsLM的代码段，拟合采用port算法，已配置控制参数tol=1e-2、maxiter=1024，已设置参数上下界约束
• 核心需求：通过异常捕获拦截该类报错，避免批量拟合循环中断

实现代码 #

直接将单样本拟合逻辑封装为带错误捕获、失败重试的安全函数，替换原有循环内的裸nlsLM调用即可：

library(minpack.lm)
library(nls2)

# 安全拟合函数：适配原有nlsLM参数逻辑，自动捕获错误、重试失败样本
safe_cfi_nls <- function(
    input_df,
    init_par,
    par_lower,
    par_upper,
    fit_weights = NULL
) {
  output <- list(
    model = NULL,
    error_msg = NA_character_,
    fit_success = FALSE
  )

  # 第一层：按传入初值尝试拟合
  first_try <- tryCatch({
    m <- nlsLM(
      formula = nls.func.2,
      data = input_df,
      start = init_par,
      lower = par_lower,
      upper = par_upper,
      weights = fit_weights,
      algorithm = "port",
      control = nls.lm.control(
        tol = 1e-2,
        maxiter = 1024,
        maxfev = 2048
      )
    )
    list(model = m, err = NA)
  }, error = function(e) {
    list(model = NULL, err = conditionMessage(e))
  })

  if (!is.null(first_try$model)) {
    output$model <- first_try$model
    output$fit_success <- TRUE
    return(output)
  }
  output$error_msg <- first_try$err

  # 第二层：初值导致奇异梯度时，调用nls2随机搜索重选初值重试
  if (grepl("singular gradient", first_try$err, fixed = TRUE)) {
    retry_init <- tryCatch({
      m_tmp <- nls2(
        formula = nls.func.2,
        data = input_df,
        start = data.frame(t(rbind(par_lower, par_upper))),
        algorithm = "random-search",
        control = nls2.control(maxiter = 500),
        weights = fit_weights
      )
      coef(m_tmp)
    }, error = function(e) NULL)

    if (!is.null(retry_init)) {
      second_try <- tryCatch({
        m <- nlsLM(
          formula = nls.func.2,
          data = input_df,
          start = retry_init,
          lower = par_lower,
          upper = par_upper,
          weights = fit_weights,
          algorithm = "port",
          control = nls.lm.control(tol = 1e-2, maxiter = 1024)
        )
        list(model = m, err = NA)
      }, error = function(e) {
        list(model = NULL, err = conditionMessage(e))
      })

      if (!is.null(second_try$model)) {
        output$model <- second_try$model
        output$error_msg <- NA_character_
        output$fit_success <- TRUE
        return(output)
      }
      output$error_msg <- second_try$err
    }
  }

  return(output)
}

调用与批量循环适配要点 #

• 循环内调用该函数后，判断返回值的fit_success字段：为TRUE时提取model对象，继续执行原有残差自相关检验、负残差剔除迭代逻辑；为FALSE时记录当前样本ID、error_msg到错误日志表，直接进入下一个样本循环，不会中断整体批量任务
• 禁止将tryCatch包裹在整个批量循环外层，必须将捕获逻辑放在单样本拟合的最小执行单元，否则单样本报错仍会跳出整个循环
• 针对奇异梯度报错的重试逻辑专门做了触发判断，仅在匹配到对应报错信息时才会调用nls2重选初值，不会拖慢正常样本的拟合速度
• 全量拟合完成后可导出错误日志表，对重试仍失败的样本做人工参数调整即可

内容的提问来源于stack exchange，提问作者Lam Tùng