lsqcurvefit
или lsqnonlin
В этом примере показано, как сгенерировать код С для нелинейного метода наименьших квадратов.
В этом примере, векторном xdata
представляет 100 точек данных и векторный ydata
представляет связанные измерения. Смоделированное отношение между xdata
и ydata
Сгенерируйте данные для проблемы.
rng(5489,'twister') % For reproducibility xdata = -2*log(rand(100,1)); ydata = (ones(100,1) + .1*randn(100,1)) + (3*ones(100,1)+... 0.5*randn(100,1)).*exp((-(2*ones(100,1)+... 0.5*randn(100,1))).*xdata);
Код генерирует xdata
от 100 независимых выборок экспоненциального распределения со средним значением 2. Код генерирует ydata
от его уравнения определения с помощью a = [1;3;2]
, встревоженный путем добавления нормальных отклонений со стандартными отклонениями [0.1;0.5;0.5]
.
lsqcurvefit
Цель состоит в том, чтобы найти параметры для модели , i = 1, 2, 3, которые лучше всего соответствуют данным.
Соответствовать параметрам к использованию данных lsqcurvefit
, необходимо задать подходящую функцию. Для lsqcurvefit
, подходящая функция берет вектор параметра a
и данные xdata
и возвращает предсказание ответа, который должен быть равен ydata
без шума и совершенной модели. Задайте подходящий функциональный predicted
как анонимная функция.
predicted = @(a,xdata) a(1)*ones(100,1)+a(2)*exp(-a(3)*xdata);
Подбирать модель к данным, lsqcurvefit
нуждается в первоначальной оценке a0
из параметров.
a0 = [2;2;2];
Вызвать lsqcurvefit
найти параметры оптимальной подгонки .
[ahat,resnorm,residual,exitflag,output,lambda,jacobian] =...
lsqcurvefit(predicted,a0,xdata,ydata);
Чтобы решить ту же трудную генерацию кода использования, завершите следующие шаги.
Запишите функцию, которая включает все предыдущие шаги: сгенерируйте данные, создайте подходящую функцию, создайте начальную точку и вызов lsqcurvefit
.
function [x,res] = solvelsqcurve rng(5489,'twister') % For reproducibility xdata = -2*log(rand(100,1)); ydata = (ones(100,1) + .1*randn(100,1)) + (3*ones(100,1)+... 0.5*randn(100,1)).*exp((-(2*ones(100,1)+... 0.5*randn(100,1))).*xdata); predicted = @(a,xdata) a(1)*ones(100,1)+a(2)*exp(-a(3)*xdata); options = optimoptions('lsqcurvefit','Algorithm','levenberg-marquardt','Display','off'); a0 = [2;2;2]; lb = []; ub = []; [x,res] = lsqcurvefit(predicted,a0,xdata,ydata,lb,ub,options); end
Создайте настройку для генерации кода. В этом случае используйте 'mex'
.
cfg = coder.config('mex');
Сгенерируйте код для solvelsqcurve
функция.
codegen -config cfg solvelsqcurve
Протестируйте сгенерированный код путем петляния, который называют solvelsqcurve_mex.mexw64
или подобный.
[x,res] = solvelsqcurve_mex
x = 1.0169 3.1444 2.1596 res = 7.4101
lsqnonlin
Цель состоит в том, чтобы найти параметры для модели , i = 1, 2, 3, которые лучше всего соответствуют данным.
Соответствовать параметрам к использованию данных lsqnonlin
, необходимо задать подходящую функцию. Для lsqnonlin
, подходящая функция берет вектор параметра a
, данные xdata
, и данные ydata
. Подходящая функция возвращает различие между предсказанием ответа и данными ydata
, который должен равняться 0 без шума и совершенной модели. Задайте подходящий функциональный predicted
как анонимная функция.
predicted = @(a)(a(1)*ones(100,1)+a(2)*exp(-a(3)*xdata) - ydata)
Подбирать модель к данным, lsqnonlin
нуждается в первоначальной оценке a0
из параметров.
a0 = [2;2;2];
Вызвать lsqnonlin
найти параметры оптимальной подгонки .
[ahat,resnorm,residual,exitflag,output,lambda,jacobian] =...
lsqnonlin(predicted,a0);
Чтобы решить ту же трудную генерацию кода использования, завершите следующие шаги.
Запишите функцию, которая включает все предыдущие шаги: сгенерируйте данные, создайте подходящую функцию, создайте начальную точку и вызов lsqnonlin
.
function [x,res] = solvelsqnon rng(5489,'twister') % For reproducibility xdata = -2*log(rand(100,1)); ydata = (ones(100,1) + .1*randn(100,1)) + (3*ones(100,1)+... 0.5*randn(100,1)).*exp((-(2*ones(100,1)+... 0.5*randn(100,1))).*xdata); predicted = @(a) (a(1)*ones(100,1)+a(2)*exp(-a(3)*xdata) - ydata); options = optimoptions('lsqnonlin','Algorithm','levenberg-marquardt','Display','off'); a0 = [2;2;2]; lb = []; ub = []; [x,res] = lsqnonlin(predicted,a0,lb,ub,options); end
Создайте настройку для генерации кода. В этом случае используйте 'mex'
.
cfg = coder.config('mex');
Сгенерируйте код для solvelsqnon
функция.
codegen -config cfg solvelsqnon
Протестируйте сгенерированный код путем петляния, который называют solvelsqnon_mex.mexw64
или подобный.
[x,res] = solvelsqnon_mex
x = 1.0169 3.1444 2.1596 res = 7.4101
Решение идентично тому, сгенерированному solvelsqcurve_mex
потому что решатели имеют идентичные базовые алгоритмы. Так, можно использовать решатель, который вы находите самыми удобными.
lsqcurvefit
| lsqnonlin
| optimoptions
| codegen
(MATLAB Coder)