1. 课程导入与问题定义

在工程与科研实践中，我们经常面对这样一类问题：通过实验或测量获得一组数据点，希望找到一个数学表达式来描述这些点背后的规律。如果这个表达式是参数线性的，比如 y = a + bx，那么最小二乘法可以直接给出解析解。但真实世界很少如此温和——酶促反应的米氏方程、二极管的伏安特性、材料的应力-应变曲线、药物在体内的浓度衰减，这些关系往往以指数、幂函数、饱和函数或更复杂的非线性形式出现。此时，拟合不再是解一个线性方程组，而变成了一个非线性最优化问题。

本课程的核心任务可以概括为两件事：第一，给定数据与模型形式，如何可靠地估计模型参数；第二，如何判断拟合结果是否可信、模型是否恰当。前者是非线性曲线拟合要解决的问题，后者则由残差分析来回答。二者不是先后独立的两个步骤，而是一个反复迭代的诊断循环——拟合给出参数，残差暴露问题，问题引导模型修正，修正后再拟合。

一个具体的起点：从数据到问题

设想我们在实验室测量某酶促反应的初始速率 v 与底物浓度 [S] 的关系。按照米氏方程，理论关系为：

v = Vmax * [S] / (Km + [S])

其中 Vmax（最大反应速率）和 Km（米氏常数）是待估参数。假设我们测得 8 组数据，底物浓度从 0.5 到 20 mmol/L，速率从 0.32 到 4.85 μmol/min。面对这组数据，一个常见的错误做法是取倒数将其线性化：1/v = Km/Vmax * 1/[S] + 1/Vmax，然后用线性回归求解。这种做法在教学中很常见，但它有一个严重缺陷——取倒数会放大低速率（即低浓度）数据点的误差权重，导致参数估计出现系统性偏差。这正是非线性拟合要避免的“变换陷阱”。

正确的做法是直接在原始尺度上最小化残差平方和：

S(θ) = Σ [v_i - f([S]_i; Vmax, Km)]²

由于 f 对参数是非线性的，S(θ) 关于 Vmax 和 Km 不再是二次函数，不能一步求解。我们需要迭代算法——高斯-牛顿法、Levenberg-Marquardt 法或信赖域方法——从一个初始猜测出发，逐步逼近使 S(θ) 最小的参数组合。

残差分析：拟合的“体检报告”

参数估计完成并不意味着工作结束。一个非线性拟合可能收敛到局部极小值，可能因为模型形式不当而系统性偏离数据，也可能因为异常点而严重扭曲参数。残差 e_i = y_i - ŷ_i 正是诊断这些问题的窗口。理想的残差应当表现为围绕零线随机分布、无明显趋势、方差大致恒定的“白噪声”形态。如果残差呈现 U 形或倒 U 形，说明模型形式可能缺少曲率项；如果残差随自变量增大而扩散，说明存在异方差，普通最小二乘的等方差假设不成立；如果某个点的标准化残差超过 ±2.5 或 ±3，则需要检查该点是否为异常值或高杠杆点。

下面的图示展示了本节要建立的整体认知框架：从实验数据出发，经过模型选择、参数估计、残差诊断三个环节，形成闭环迭代，最终输出可信的模型与参数。

为什么不能“拟合完就交差”

很多初学者把拟合理解为“跑一个软件、拿到参数、画一条曲线”。但在工程判断中，参数值本身往往不是最终目的——我们真正需要的是带不确定性的结论。例如，Km 的估计值是 3.2 mmol/L，它的标准误是 0.4 还是 1.5？这两个数字对应的工程决策完全不同。残差分析给出的残差标准差、参数协方差矩阵、置信区间，才是判断模型能否用于外推、控制或放大的依据。

此外，非线性拟合还面临线性回归中不存在的陷阱：参数不可识别（两个参数以某种组合形式出现，数据无法分别确定它们）、过参数化（模型参数过多导致过拟合）、以及算法层面的收敛失败。这些问题都会在残差图上留下痕迹，因此把拟合与诊断放在同一个学习单元中，是符合实际工作逻辑的安排。

本课程的学习路径

围绕上述闭环，课程将依次展开以下能力建设：理解非线性最小二乘的数学原理与常用算法（高斯-牛顿、Levenberg-Marquardt）；掌握初值选取的实用策略与参数约束的设置方法；学会阅读残差图、识别系统性偏差与异方差；使用标准化残差、Cook 距离等工具定位异常点；通过参数标准误与置信区间量化估计的不确定性；最后在真实案例中完成从数据到结论的完整分析。每一部分都强调“看到什么、意味着什么、下一步怎么做”的判断链条，而不是孤立的公式记忆。