曲线拟合求解传递函数参数L的方法

咱们先把已知条件理清楚，再一步步解决问题：

首先是你的数据和变量定义：

data = [ 0 0; 0.05 1.108646244630E-01; 0.10 2.217423074817E-01; 0.15 3.325947375398E-01; 0.20 4.434863433851E-01; 0.25 5.543595496420E-01; 0.30 6.652338361973E-01; 0.35 7.761094191116E-01; 0.40 8.869865144820E-01; 0.45 9.978653384221E-01; 0.50 1.108746107036E+00];
x = data(:,1);
y = data(:,2);

你给出的拟合公式（我帮你补全了缺失的右括号，确保语法正确）：

k = 3;
y_model = cos(k*L).^2 - (0.8194*k*cos(k*L)*sin(k*L))*x;

需求是找到合适的L，让这个公式拟合数据，同时匹配传递函数的初始线性段。

第一步：先分析初始线性段的矛盾点 #

先看你的数据：x从0到0.5，y几乎是完美的线性增长，斜率大概是2.217，x=0时y=0。但代入公式看，x=0时y_model = cos²(3L)，要和数据匹配的话必须cos²(3L)=0，也就是3L = π/2 + nπ（n是整数）。但这时候公式里的线性项系数-0.8194*k*cos(kL)*sin(kL)就变成了0，斜率为0，完全和数据的线性增长矛盾。

这说明你给出的公式大概率有输入错误——比如符号反了、括号位置错了，或者项的顺序颠倒了。不过没关系，咱们先给出通用的解决思路，再针对这个矛盾点说明。

第二步：用非线性最小二乘求解最优L #

不管公式的矛盾，咱们可以直接用非线性最小二乘法找到L，让模型预测值和实际数据的误差平方和最小。这是拟合问题的标准解法，在Matlab里可以用lsqnonlin实现：

1. 定义误差函数：输入L，输出模型预测值和实际y的误差向量

k = 3;
error_fun = @(L) y - (cos(k*L).^2 - (0.8194*k*cos(k*L)*sin(k*L))*x);

2. 选择初始估计值：
   因为数据是线性的，咱们先拟合数据的线性斜率：

p = polyfit(x, y, 1);
slope_data = p(1); % 算出来大概是2.2175

虽然按原公式推导斜率无解（因为正弦值范围是[-1,1]），但咱们可以选一个合理的初始值，比如L=0.1。

3. 调用求解器：

L_initial = 0.1;
L_opt = lsqnonlin(error_fun, L_initial);

4. 验证拟合效果：

y_fit = cos(k*L_opt).^2 - (0.8194*k*cos(k*L_opt)*sin(k*L_opt))*x;
plot(x, y, 'o', x, y_fit, '-');
legend('原始数据', '拟合曲线');
xlabel('x');
ylabel('y');

第三步：加入初始线性段的匹配约束 #

如果必须严格匹配初始线性段（比如x≤0.1的部分），咱们可以用fmincon加入约束条件，让模型在初始段的斜率和数据的斜率尽可能接近：

1. 定义目标函数：误差平方和

obj_fun = @(L) sum((y - (cos(k*L).^2 - (0.8194*k*cos(k*L)*sin(k*L))*x)).^2);

2. 定义斜率约束：

x_initial = x(x<=0.1); % 取初始段的x值
% 计算模型在初始段的斜率
slope_model = @(L) polyfit(x_initial, cos(k*L).^2 - (0.8194*k*cos(k*L)*sin(k*L))*x_initial, 1)(1);
% 约束：模型斜率和数据斜率的差异绝对值小于0.01
constraints = struct('type', 'ineq', 'fun', @(L) 0.01 - abs(slope_model(L) - slope_data));

3. 带约束求解：

L_opt_constrained = fmincon(obj_fun, L_initial, [], [], [], [], [], [], constraints);

重要提醒 #

按你给出的公式，完全匹配初始线性段是不可能的（因为推导出来斜率为0，和数据的线性增长矛盾），所以建议先检查公式的正确性：比如是不是把减号写成了加号？是不是括号位置错了？或者是不是y_model = (0.8194*k*cos(k*L)*sin(k*L))*x + cos(k*L).^2？修正公式后，上述方法就能完美解决你的问题。

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