在 matlab 中使用 NonLinearModel.fit 获得复值雅可比矩阵答案

【问题标题】：getting complex-valued Jacobian Matrix using NonLinearModel.fit in matlab在 matlab 中使用 NonLinearModel.fit 获得复值雅可比矩阵
【发布时间】：2014-04-12 23:35:44
【问题描述】：

我正在尝试使用 Matlab 中的 NonLinearModel.fit() 函数来回归两个变量。但是，我收到以下错误：

Error using internal.stats.getscheffeparam>ValidateParameters
(line 182)
If non-empty, JW must be a numeric, real matrix.

Error in internal.stats.getscheffeparam (line 110)
[J,VF,VP,JW,Intopt,TolSVD,TolE,VQ,usingJ] =
ValidateParameters(J,VF,VP,JW,Intopt,TolSVD,TolE,VQ,allowedIntopt);

Error in nlinfit (line 340)
    sch =
    internal.stats.getscheffeparam('WeightedJacobian',J(~nans,:),'Intopt','observation','VQ',VQ);

Error in NonLinearModel/fitter (line 1121)
               [model.Coefs,~,J_r,model.CoefficientCovariance,model.MSE,model.ErrorModelInfo,~]
            = ...

Error in classreg.regr.FitObject/doFit (line 219)
        model = fitter(model);

Error in NonLinearModel.fit (line 1484)
        model = doFit(model);

Error in getMatrix (line 101)
    nlm =
    NonLinearModel.fit(regressorMatrix',temp2',modelfun,beta0);

我的 regressorMatrix 是 2×N（所以转置是 N×2），temp2' 是 N×1，beta0 和 model 由以下公式给出：

model =@(b,x)b(1).*x(:,1).*x(:,2).^b(2);
beta0=[.14 .6];
nlm = NonLinearModel.fit(regressorMatrix',temp2',model,beta0);

有人可以帮我找出导致此错误的原因吗？

编辑：好的，到目前为止没有帮助，所以我会尝试更具体。我知道这个错误是指加权雅可比矩阵。我只是不确定为什么这个雅可比行列式不会被真正重视。

这是我的回归矩阵的前几行：

regressorMatrix =

1.0e+07 *

0.000000000776613   3.762601240855837
0.000000001683014   3.762601240855837
0.000000001496807   3.762601240855837
0.000000000753495   3.762601240855837

和我的响应矩阵：

temp2 =
-0.011811061934317
0.987582922964869
0.010621342764736
0.135001167018444
0.091950680609212

我可以看到这里出了点问题（我的回归矩阵的 col2 中的数量级已关闭。我会解决这个问题，如果结果证明是原因，我会给出解释。我也在努力打印出 J. 和 JW

编辑2：我能够在错误发生之前打印出 JW 并发现 JW 是一个 Nx2 复矩阵。所以发生错误的具体原因是加权雅可比矩阵不是实值。不知道为什么...

【问题讨论】：

什么是NonLinearFit？它似乎不是标准 Matlab 或通用工具箱的一部分。您可能使用NonLinearModel.fit 或nlinfit 吗？请在您实际调用此函数的位置显示您的代码。
@horchler，是的，你是对的，我的意思是 NonLinearModel.fit。我相应地编辑了我的代码并添加了我调用该函数的行。
@Amir 在达到 2k 代表之前最好不要继续添加标签

标签： matlab regression

【解决方案1】：

经过大量的挖掘，我发现这个问题的答案是相当明显的。我没有意识到我的回归变量之一的某些值有时会变为负数。这导致（向前跳了几步）复杂的雅可比行列式。

【讨论】：