2. 非线性模型的基本形式与识别

在非线性曲线拟合中，第一步往往不是打开软件点“拟合”，而是先判断数据大致属于哪一类函数族。函数族选错，后续无论怎样调初值、加权重，残差都难以呈现随机分布，参数也失去物理解释。本节围绕五类最常用的非线性函数——指数、幂函数、对数、S 型曲线和多项式——说明它们的数学表达、参数含义、适用场景，以及如何从散点形态和机理背景中识别它们。

一、指数族：描述“按比例变化”的过程

最基础的形式是 y = a·e^(b·x)，其中 a 是 x=0 时的响应值（尺度参数），b 是增长率参数：b>0 表示加速增长，b<0 表示衰减。更常用的是带渐近线的三参数形式 y = y₀ + A·e^(b·x)，y₀ 为基线或饱和值，A 为变化幅度。指数族的典型特征是“等间隔 x 对应近似等比例的 y 变化”，因此对 y 取对数后散点应近似成直线——这是识别指数关系最实用的判据。适用场景包括放射性衰减、药物血药浓度消除、电容放电、细菌对数期增长、以及一级反应动力学。

需要注意，指数拟合对初值敏感，尤其当数据只覆盖衰减尾部时，y₀ 与 A 高度相关，容易得到多组等价解。实践中可先固定 y₀ 为观测到的平台值，再拟合 A 与 b。

二、幂函数：描述“标度关系”

形式为 y = a·x^b。参数 a 是比例系数，b 是幂指数，决定曲线的弯曲方向与标度性质：b>1 上凸加速，0<b<1 下凹减速，b<0 表示随 x 增大而衰减。幂函数与指数函数最容易混淆，区分方法是：对 x 和 y 同时取对数，若 ln y 对 ln x 呈直线，则为幂函数；若只有 ln y 对 x 呈直线，则为指数函数。幂函数广泛用于异速生长（如代谢率与体重的 3/4 次幂）、材料疲劳的 S-N 曲线、以及许多经验标度律。

三、对数函数：描述“边际递减”

形式为 y = a + b·ln(x)。参数 b 表示 x 每增加 e 倍时 y 的增量，因此它刻画的是相对变化带来的绝对响应。对数函数的定义域要求 x>0，曲线单调但增速不断放缓，没有上界。典型场景包括浓度-响应中的低剂量区、心理物理学中的韦伯-费希纳定律、以及某些学习曲线。若数据在 x 较大处仍持续缓慢上升而不趋于平台，对数模型比饱和型 S 曲线更合适。

四、S 型曲线：描述“先慢、后快、再饱和”

最常见的是四参数 Logistic：y = y_min + (y_max − y_min) / (1 + (x/x₀)^p)。四个参数各有明确含义：y_min 与 y_max 是下、上渐近线，x₀ 是半效应浓度（响应达到中点时的 x），p 是斜率因子，控制过渡的陡峭程度。当 p>0 时曲线随 x 上升，p<0 时下降。另一常用形式是 Gompertz 曲线，其增长不对称，拐点偏早，适合肿瘤生长、种群增长等。S 型曲线的识别特征是数据存在明显的上下平台，且中间段近似线性。若数据只覆盖上升段而无平台，强行拟合四参数模型会导致 y_max 不可辨识。

五、多项式：灵活但需警惕过拟合

形式为 y = β₀ + β₁x + β₂x² + … + βₙxⁿ。它本质上是线性模型（对参数线性），可用最小二乘直接求解，无需迭代初值，这是它相对前几类的工程优势。二次多项式可描述单峰或单谷，三次可描述一个拐点。但多项式缺乏机理含义，高阶项在数据边界外极易发散，且各幂次项高度共线。实践中建议阶数不超过 3，并优先在数据范围内使用，外推必须谨慎。

六、从数据到函数族：一套可操作的识别流程

面对一组散点，建议按以下顺序判断，而不是凭直觉直接选模型。第一步，看定义域与形态：若 x 含 0 或负值，对数与幂函数（b 非整数时）不适用；若曲线明显有上下平台，优先考虑 S 型或带渐近线的指数。第二步，做坐标变换试探：分别绘制 ln y–x、ln y–ln x、y–ln x 三张图，哪张最接近直线，就指向对应的函数族。第三步，结合机理：一级动力学指向指数，异速生长指向幂函数，受体结合或剂量-效应指向 S 型。第四步，用残差验证：拟合后若残差呈系统性弯曲（如 U 形），说明函数族或阶数不足；若残差随机散布且量级与测量误差相当，则可接受。

七、一个教学示例：同一组数据的三种候选

假设某实验测得底物浓度 x（mmol/L）与反应速率 y（μmol/min）的 8 组数据，散点呈“先快后慢并趋于平台”的形态。此时至少有三个候选：米氏方程 y = Vmax·x/(Km + x)（本质是双曲饱和，可视为 S 型 p=1 的特例）、带渐近线的指数 y = y₀ + A(1−e^(−kx))、以及二次多项式。三者的差别在于：米氏方程有明确的 Vmax 与 Km 机理含义；指数饱和的趋近速度由 k 决定，尾部更“拖”；二次多项式虽能拟合前段，但在高浓度处会向下弯，与平台形态矛盾。因此应优先选米氏或指数饱和，再用残差比较二者：若低浓度段残差偏正、高浓度段偏负，说明模型在过渡区形状不符，可尝试 Hill 形式 y = Vmax·x^n/(K^n + x^n)，其中 n 即斜率因子。

最后强调一点：函数族的“识别”不是一次性判断，而是“假设—拟合—看残差—修正”的循环。初选模型后，务必检查参数是否落在合理范围、标准误是否可接受、残差是否存在结构。若参数置信区间极宽或出现物理上不可能的取值（如负的 Vmax），往往说明函数族或参数化方式需要调整，而不是数据本身有问题。