我有一个已知的模型，我试图适应真实的数据。
fun = @(b,x) b(1)*x(:,1)./(x(:,2).^b(2));
beta0 = [70 1.1]; % expected range is 40-130, and 1.0-1.3
[beta,r]=nlinfit(X,tmp_y,fun,beta0);
当我使用nlinfit时，它告诉我我的函数正在返回Inf的值。我进入代码并发现在拟合的第二次迭代中，它过度补偿第二个beta项，将其降至-80。如果x(:,2)的值非常大，则会导致x的所有值除以零。
我可以设置选项来防止这种情况发生吗？我已经阅读了文档，但我并不是很清楚所有选项实际上是做什么的。
答案 0 :(得分：0)
让我们假设您的代码中唯一的问题是值会发散，因为会出现一些零值或负值。如果是这种情况，可以通过简单的方法解决这个问题。不是直接估计b（i），而是定义c（i）= ln（b（i）），这意味着b（i）= exp（c（i））。因此，在等式中用exp（c（i））代替b（i）。
fun = @（c，x）exp（c（1））* x（：，1）./（x（：，2）。^ exp（c（2）））;
在估计c（i）之后评估b（i）= exp（c（i））。请注意，在这种情况下，您允许c（i）具有零值和负值，但b（i）始终为正值。