我正在尝试解决 Mathemtica 中的非线性方程组。我尝试了 Solve 和 NSolve，我还尝试定义 a_{ij} 和 b_{ij} 和 m33=1 数值来简化方程，但是 Mathematica 似乎工作时间过长或者我做错了什么。在 Mathematica 我只是想找到解决方案，但我还需要一些 c/c++ 库来在我的代码中执行此操作。

“运算符”中的主要方程：

其中“运算符”是透视变换：

我在 Mathematica 中的输入：

我需要使用mathematica为x求解下面的方程，基本上我需要x的数值，A，B，K，a和b的中间值

Ax^(-a)+Bx^(-ab)=K

我正在尝试求解 AX=X 形式的非线性方程组，其中，

A = M×M 矩阵

X = M×1 矩阵

因此，我总共有 M (=200) 个方程（和 M 个未知数）。

进一步来说，

A = [f11(x,y) f12(x,y) .... f1m(x,y),

X = [V1，

因此，X 有 M-2 个未知数（V1，V2 ... Vm-1），A 有两个（x 和 y）。A 的元素是 x 和 y 的线性函数。

我在 scipy.fsolve 和 sympy.nsolve 上做了功课，但他们似乎不接受矩阵格式的方程。此外，由于有 200 个方程，每个方程都有所有未知数，因此逐个消除变量是不切实际的。

我对 python 比较陌生，所以非常感谢任何帮助。

谢谢

我正在尝试使用 python 来求解一个由 6 个非线性方程组成的系统。有 9 个变量，其中 3 个是预先确定的（留下 6 个方程和 6 个未知数的系统）。问题是，它可能是任何 3，我无法事先知道。

这是方程式（如果您有兴趣）。

c11*c12 + c21*c22 + c31*c32 = 0

c11*c13 + c21*c23 + c31*c33 = 0

c12*c13 + c22*c23 + c32*c33 = 0

c11*c21 + c12*c22 + c13*c23 = 0

c11*c31 + c12*c32 + c13*c33 = 0

c21*c31 + c22*c32 + c23*c33 = 0

注意：这是我认为最快/最容易解决的方法。另一种可能的表达方式是：

我的问题是：无论如何将其中 3 个设置为固定，并让 scipy.optimize.fsolve （或更合适的模块？）解决剩余的参数？

我喜欢拟合一个非线性方程（g 和 h 是参数）：

q = g * (h**age)/(1 + g * (h**age));
当年龄 = 50 时限制 q = .05：即 g * (h* 50)/(1 + g (h**50)= .05。
这意味着当年龄 = 50 时，预测值 q 等于数据中的 q。

谢谢你的帮助。

我有一些实验数据，我想使用最小二乘法（Levenberg-Marquardt）拟合它们以获得我的参数。

我正在使用两个非线性方程，并且正在使用一些计算程序（Origin 和 Matlab）。

第一个是：

带参数的非线性方程 (Alfa1,Alfa2,Alfa3,Alfa4,Alfa5)

第二个拟合方程是：

有理函数，即分子上的二次函数和分母上的第四多项式函数

我想使用这两个方程来拟合，但我不知道该怎么做。如果有人想要实验数据，我可以在这里发布。

非常感谢，

爱德华多

我需要知道如何求解一个非线性方程组但改变一个参数，这样每次你改变那个参数都会给我那个系统的结果（需要所有结果），我想到了一个 for，它正在改变参数，求解方程并将每个结果存储在电子表格中，问题是由于您无法求解系统，因此我抛出非符号数值，它们为您提供了一个必须求解的系统示例：

在要更改的参数中a，要保持电子表格中的x和的相应值。y

我在拟合问题上遇到困难。从我得到的错误中，我想边界没有正确定义，我还没有找到解决方案。任何帮助将不胜感激。

解决相同问题的替代方法也被接受。

描述

我必须估计以下类型的非线性函数的参数：

受参数PAR = [A,B,C,D]在范围内

代码

为了解决这个问题，我使用了 Matlab 函数lsqnonlin和fzero. 使用的简化代码报告如下。

问题分为四个功能：

1. parameterEstimation- （lsqnonlin 函数的包装器）
2. objectiveFunction_lsq- （参数估计的目标函数）
3. yFun- （返回变量 y 值的函数）
4. objectiveFunction_zero- （用于计算 y 的非线性方程的目标函数）

错误

在数据上运行代码我得到了这个警告

警告：下限长度 > 长度（x）；忽略额外的界限

这个错误

初始用户提供的目标函数评估失败。LSQNONLIN 无法继续

这让我认为边界没有正确使用或没有正确调用，但问题可能出在其他地方。

我有一个包含一个自变量和一组因变量的数据集。我想使用自举非线性最小二乘法为每组自变量拟合一个函数。在某些情况下，自变量是“质量好的”，即相当好地拟合函数。在其他情况下，它们很吵。

在所有情况下，我都可以nls()用来估计参数。但是，当数据嘈杂时，引导程序会抛出错误Error in nls(...) : singular gradient。我可以理解为什么nls拟合嘈杂的数据会失败，例如在太多迭代后无法收敛，但我不明白为什么它是一个奇异的梯度错误，以及为什么我只得到质量差的重新采样数据集。

代码：

nls完全能够拟合数据（即使在某些情况下，例如a，我怀疑模型是否适合数据。

自举适用于高质量数据：

但不适用于质量差的数据

是什么导致了这个错误？鉴于我想plyr同时执行大量引导模拟，我应该怎么做？

我正在尝试使用 Python2.7 数值求解方程。这是整个代码：

这是我的回溯：

我正在使用 sympy、numpy 和 pylab 库。所以，我没有遇到 cos 函数的问题。有什么帮助吗？