初始参数估计时 nls 奇异梯度矩阵的误差答案

【问题标题】：Error in nls singular gradient matrix at initial parameter estimates初始参数估计时 nls 奇异梯度矩阵的误差
【发布时间】：2015-11-29 00:23:53
【问题描述】：

我正在尝试使用 R 中的 nls 拟合矩形双曲线。

curve.nlslrc = nls(photolrc ~ (1/(2*theta))*(AQY*PARlrc+Am-sqrt((AQY*PARlrc+Am)^2-4*AQY*theta*Am*PARlrc))-Rd, start=list(Am=(max(photolrc)-min(photolrc)),AQY=0.05,Rd=-min(photolrc),theta=1))

然后出现一条狂野的消息：

Error in nlsModel(formula, mf, start, wts) : 
  singular gradient matrix at initial parameter estimates

关于如何解决这个问题的任何想法？

数据：

PARlrc  photolrc
    50     -0.04
   100  1.130000
   150  0.580000
   200  0.850000
   250  1.370000
   300  1.370000
   350  1.230000
   400  2.040000
   450  1.670000
   500  1.790000
   550  1.820000
   600  1.768494
   650  2.083641
   700  1.998950
   750  2.399018
   800  2.289517
   850  2.223104
   900  2.329006
   950  2.700987
  1000  2.694792
  1050  2.684530
  1100  2.594925
  1150  2.662429
  1200  2.590890
  1250  3.043056
  1300  3.795076
  1350  4.003595
  1400  4.401325
  1450  4.786757
  1500  4.338971
  1550  4.701821
  1600  4.431703
  1650  4.392877
  1700  4.642945
  1750  4.429018
  1800  3.638166
  1850  2.879107

【问题讨论】：

标签： r matrix gradient nls

【解决方案1】：

试试nlsLM：

library(minpack.lm)

curve.nlslrc = with(DF, 
  nlsLM(photolrc ~ 
          (1/(2*theta))*(AQY*PARlrc+Am-sqrt((AQY*PARlrc+Am)^2-4*AQY*theta*Am*PARlrc))-Rd, 
     start = list(Am=(max(photolrc)-min(photolrc)), AQY=0.05,  Rd=-min(photolrc), theta=1))
)

给予：

> curve.nlslrc
Nonlinear regression model
  model: photolrc ~ (1/(2 * theta)) * (AQY * PARlrc + Am - sqrt((AQY *     PARlrc + Am)^2 - 4 * AQY * theta * Am * PARlrc)) - Rd
   data: parent.frame()
       Am       AQY        Rd     theta 
 3.957527  0.002529 -0.340865  1.000022 
 residual sum-of-squares: 6.94

Number of iterations to convergence: 35 
Achieved convergence tolerance: 1.49e-08

（在图表后继续）

注意 1：请注意，参数更少的更简单模型（3 对 4）具有更低的残差平方和（6.7 对 6.9）：

fm.lm <- lm(photolrc ~ PARlrc, DF)
fm2 <- nls(photolrc ~ pmin(a, b * PARlrc + c), DF,
  start = list(a = mean(DF$photolrc), b = coef(fm.lm)[2], c = 0))

放弃：

> fm2
Nonlinear regression model
  model: photolrc ~ pmin(a, b * PARlrc + c)
   data: DF
       a        b        c 
4.159377 0.002434 0.420329 
 residual sum-of-squares: 6.739

Number of iterations to convergence: 5 
Achieved convergence tolerance: 9.197e-09

注意 2： 这曾用作DF：

Lines <- "PARlrc photolrc
50 -0.04
100 1.130000
150 0.580000
200 0.850000
250 1.370000
300 1.370000
350 1.230000
400 2.040000
450 1.670000
500 1.790000
550 1.820000
600 1.768494
650 2.083641
700 1.998950
750 2.399018
800 2.289517
850 2.223104
900 2.329006
950 2.700987
1000 2.694792
1050 2.684530
1100 2.594925
1150 2.662429
1200 2.590890
1250 3.043056
1300 3.795076
1350 4.003595
1400 4.401325
1450 4.786757
1500 4.338971
1550 4.701821
1600 4.431703
1650 4.392877
1700 4.642945
1750 4.429018
1800 3.638166
1850 2.879107"
DF <- read.table(text = Lines, header = TRUE)

【讨论】：

不知道包名可能有句点
在大约 7500 个 CRAN 包中，大约有 250 个的名称中有句点。
我相信这个答案应该包含一个警告。如果数据并不真正支持模型，nlsLM 可能会导致拟合不佳。应始终仔细检查（至少绘制结果）。
@Roland，是的，优化算法中使用的终止标准可能存在问题，人们可以找到比全局最优更差的局部最优，我见过nls 给出更好的情况回答，但我已经添加了情节，对我来说看起来不错。