Создайте или измените подходящий объект опций
fitOptions = fitoptionsfitOptions опций по умолчанию.
fitOptions = fitoptions(libraryModelName)
fitOptions = fitoptions(libraryModelName,Name,Value)Name,Value парные аргументы.
fitOptions = fitoptions(fitType)fitType. Используйте этот синтаксис, чтобы работать с подходящими опциями для пользовательских моделей.
fitOptions = fitoptions(Name,Value)Name,Value парные аргументы.
newOptions = fitoptions(fitOptions,Name,Value)fitOptions опций и возвращает обновленные приспособленные опции в newOptions с новыми опциями, заданными одним или несколькими Name,Value парные аргументы.
newOptions = fitoptions(options1,options2)options1 и options2 в newOptions.
Если Method соглашается, непустые значения для свойств в options2 замените соответствующие значения в options1 в newOptions.
Если Method отличается, newOptions содержит options1 значение для Method и значения от options2 для Normalize, Exclude, и Weights.
Создайте подходящий объект опций по умолчанию и установите опцию сосредотачивать и масштабировать данные перед подбором кривой.
options = fitoptions;
options.Normal = 'on'options =
Normalize: 'on'
Exclude: [1x0 double]
Weights: [1x0 double]
Method: 'None'
options = fitoptions('gauss2')options =
Normalize: 'off'
Exclude: []
Weights: []
Method: 'NonlinearLeastSquares'
Robust: 'Off'
StartPoint: [1x0 double]
Lower: [-Inf -Inf 0 -Inf -Inf 0]
Upper: [1x0 double]
Algorithm: 'Trust-Region'
DiffMinChange: 1.0000e-08
DiffMaxChange: 0.1000
Display: 'Notify'
MaxFunEvals: 600
MaxIter: 400
TolFun: 1.0000e-06
TolX: 1.0000e-06
Создайте подходящие опции для кубического полинома и установите центр и шкалу и устойчивые подходящие опции.
options = fitoptions('poly3', 'Normalize', 'on', 'Robust', 'Bisquare')
options =
Normalize: 'on'
Exclude: []
Weights: []
Method: 'LinearLeastSquares'
Robust: 'Bisquare'
Lower: [1x0 double]
Upper: [1x0 double]
options = fitoptions('Method', 'LinearLeastSquares')
options =
Normalize: 'off'
Exclude: []
Weights: []
Method: 'LinearLeastSquares'
Robust: 'Off'
Lower: [1x0 double]
Upper: [1x0 double]
Изменение подходящего объекта опций по умолчанию полезно, когда это необходимо, чтобы установить Normalize, Exclude, или Weights свойства, и затем соответствуют вашим данным с помощью тех же опций с различными подходящими методами. Например, следующее использование те же подходящие опции, чтобы соответствовать различным типам модели библиотеки.
load census options = fitoptions; options.Normalize = 'on'; f1 = fit(cdate,pop,'poly3',options); f2 = fit(cdate,pop,'exp1',options); f3 = fit(cdate,pop,'cubicspline',options)
f3 =
Cubic interpolating spline:
f3(x) = piecewise polynomial computed from p
where x is normalized by mean 1890 and std 62.05
Coefficients:
p = coefficient structure
Найдите параметр сглаживания. Информационно-зависимые подходящие опции, такие как smooth параметр возвращен в третьем выходном аргументе fit функция.
load census [f,gof,out] = fit(cdate,pop,'SmoothingSpline'); smoothparam = out.p
smoothparam = 0.0089
Измените параметр сглаживания значения по умолчанию для новой подгонки.
options = fitoptions('Method','SmoothingSpline',... 'SmoothingParam',0.0098); [f,gof,out] = fit(cdate,pop,'SmoothingSpline',options);
Создайте Гауссову подгонку, смотрите доверительные интервалы и задайте опции подгонки нижней границы, чтобы помочь алгоритму.
Создайте шумную сумму двух Гауссовых peaks, один с маленькой шириной, и один с большой шириной.
a1 = 1; b1 = -1; c1 = 0.05; a2 = 1; b2 = 1; c2 = 50; x = (-10:0.02:10)'; gdata = a1*exp(-((x-b1)/c1).^2) + ... a2*exp(-((x-b2)/c2).^2) + ... 0.1*(rand(size(x))-.5); plot(x,gdata)
Соответствуйте данным с помощью модели библиотеки Gaussian 2D термина.
gfit = fit(x,gdata,'gauss2') gfit =
General model Gauss2:
gfit(x) = a1*exp(-((x-b1)/c1)^2) + a2*exp(-((x-b2)/c2)^2)
Coefficients (with 95% confidence bounds):
a1 = -0.145 (-1.486, 1.195)
b1 = 9.725 (-14.71, 34.16)
c1 = 7.117 (-15.84, 30.07)
a2 = 14.06 (-1.957e+04, 1.96e+04)
b2 = 607 (-3.193e+05, 3.205e+05)
c2 = 375.9 (-9.737e+04, 9.812e+04)
plot(gfit,x,gdata)
Алгоритм испытывает затруднения, как обозначено широкими доверительными интервалами для нескольких коэффициентов.
Чтобы помочь алгоритму, задайте нижние границы для неотрицательных амплитуд a1 и a2 и ширины c1C2 .
options = fitoptions('gauss2', 'Lower', [0 -Inf 0 0 -Inf 0]);
В качестве альтернативы можно установить свойства подходящих опций с помощью формы options.Property = NewPropertyValue.
options = fitoptions('gauss2');
options.Lower = [0 -Inf 0 0 -Inf 0];Повторно вычислите подгонку с помощью связанных ограничений на коэффициенты.
gfit = fit(x,gdata,'gauss2',options) gfit =
General model Gauss2:
gfit(x) = a1*exp(-((x-b1)/c1)^2) + a2*exp(-((x-b2)/c2)^2)
Coefficients (with 95% confidence bounds):
a1 = 1.005 (0.966, 1.044)
b1 = -1 (-1.002, -0.9988)
c1 = 0.0491 (0.0469, 0.0513)
a2 = 0.9985 (0.9958, 1.001)
b2 = 0.8059 (0.3879, 1.224)
c2 = 50.6 (46.68, 54.52)
plot(gfit,x,gdata)
Это - намного лучшая подгонка. Можно далее улучшить подгонку путем присвоения рыночной стоимости другим свойствам в подходящем объекте опций.
Создайте подходящие опции и установите нижние границы.
options = fitoptions('gauss2', 'Lower', [0 -Inf 0 0 -Inf 0])
options =
Normalize: 'off'
Exclude: []
Weights: []
Method: 'NonlinearLeastSquares'
Robust: 'Off'
StartPoint: [1x0 double]
Lower: [0 -Inf 0 0 -Inf 0]
Upper: [1x0 double]
Algorithm: 'Trust-Region'
DiffMinChange: 1.0000e-08
DiffMaxChange: 0.1000
Display: 'Notify'
MaxFunEvals: 600
MaxIter: 400
TolFun: 1.0000e-06
TolX: 1.0000e-06
Сделайте новую копию подходящих опций и измените устойчивый параметр.
newoptions = fitoptions(options, 'Robust','Bisquare')
newoptions =
Normalize: 'off'
Exclude: []
Weights: []
Method: 'NonlinearLeastSquares'
Robust: 'Bisquare'
StartPoint: [1x0 double]
Lower: [0 -Inf 0 0 -Inf 0]
Upper: [1x0 double]
Algorithm: 'Trust-Region'
DiffMinChange: 1.0000e-08
DiffMaxChange: 0.1000
Display: 'Notify'
MaxFunEvals: 600
MaxIter: 400
TolFun: 1.0000e-06
TolX: 1.0000e-06
Объедините подходящие опции.
options2 = fitoptions(options, newoptions)
options2 =
Normalize: 'off'
Exclude: []
Weights: []
Method: 'NonlinearLeastSquares'
Robust: 'Bisquare'
StartPoint: [1x0 double]
Lower: [0 -Inf 0 0 -Inf 0]
Upper: [1x0 double]
Algorithm: 'Trust-Region'
DiffMinChange: 1.0000e-08
DiffMaxChange: 0.1000
Display: 'Notify'
MaxFunEvals: 600
MaxIter: 400
TolFun: 1.0000e-06
TolX: 1.0000e-06
Создайте линейный подходящий тип модели.
lft = fittype({'x','sin(x)','1'})lft =
Linear model:
lft(a,b,c,x) = a*x + b*sin(x) + c
Получите подходящие опции для подходящего типа lft.
fo = fitoptions(lft)
fo =
Normalize: 'off'
Exclude: []
Weights: []
Method: 'LinearLeastSquares'
Robust: 'Off'
Lower: [1x0 double]
Upper: [1x0 double]
Установите нормировать подходящую опцию.
fo.Normalize = 'on'fo =
Normalize: 'on'
Exclude: []
Weights: []
Method: 'LinearLeastSquares'
Robust: 'Off'
Lower: [1x0 double]
Upper: [1x0 double]