Marquardt-Levenberg

FITGAUSS函数通过Marquardt-Levenberg非线性最小二乘法将高斯曲线“f”拟合到实验数据。拟合函数形式为aexp(-((xb)/c)^2)+dx+e，结合一条直线和高斯曲线。输入数据为“x,y”，初始参数[abcde]可由输入数据自动确定。权重向量“w”默认为ones(size(x))。输出包括拟合函数值“f”、估计参数“X”、标准化错误“err”和迭代次数“它”。此功能由Carlos Adrián Vargas Aguilera用于物理学研究。示例：x=1:100; a=30; b=45; c=10; d=0.3; e=20; f=aexp(-((xb)./c).^2)+

Levenberg-Marquardt算法，一种在优化计算中用于最小二乘拟合的算法，在Matlab中得到了实际应用。

Luo等人在其论文“迭代合奏平滑器作为正则化最小平均成本问题的近似解决方案：理论和应用”中介绍了基于正则化的Levenburg-Marquardt的迭代集合平滑器（iES），编号为SPE-176023-PA，详细描述了其MATLAB实现。该算法主要用于历史匹配问题，特别是在集合型储层数据同化中的应用。着重介绍了如何在内部历史匹配工作流中应用iES，以估算Lorentzen 96模型的初始条件。