Подходящий тип для кривой и поверхностного подбора кривой
aFittype = fittype(libraryModelName)fittype объект aFittype для модели, заданной libraryModelName.
aFittype = fittype(expression)
aFittype = fittype(expression,Name,Value)Name,Value парные аргументы.
aFittype = fittype(linearModelTerms)linearModelTerms.
aFittype = fittype(linearModelTerms,Name,Value)Name,Value парные аргументы.
aFittype = fittype(anonymousFunction)anonymousFunction.
aFittype = fittype(anonymousFunction,Name,Value)Name,Value парные аргументы.
Создайте подходящие типы путем определения имен модели библиотеки.
Создайте fittype объект для модели библиотеки кубического полинома.
f = fittype('poly3')f =
Linear model Poly3:
f(p1,p2,p3,p4,x) = p1*x^3 + p2*x^2 + p3*x + p4
Создайте подходящий тип для модели rat33 библиотеки (рациональная модель третьей степени и для числителя и для знаменателя).
f = fittype('rat33')f =
General model Rat33:
f(p1,p2,p3,p4,q1,q2,q3,x) = (p1*x^3 + p2*x^2 + p3*x + p4) /
(x^3 + q1*x^2 + q2*x + q3)
Для списка имен модели библиотеки смотрите libraryModelName.
Чтобы использовать линейный алгоритм подбора, задайте массив ячеек условий.
Идентифицируйте, что линейная модель называет вас, должен ввести к fittype: a*x + b*sin(x) + c. Модель линейна в aB и c. Это имеет три условия x, sin(x) и 1 (потому что c=c*1). Чтобы задать эту модель, вы используете этот массив ячеек условий: LinearModelTerms = {'x','sin(x)','1'}.
Используйте массив ячеек линейных условий модели с должности входа к fittype.
ft = fittype({'x','sin(x)','1'})ft =
Linear model:
ft(a,b,c,x) = a*x + b*sin(x) + c
Создайте линейный подходящий тип модели для a*cos(x) + b.
ft2 = fittype({'cos(x)','1'})ft2 =
Linear model:
ft2(a,b,x) = a*cos(x) + b
Создайте подходящий тип снова и задайте содействующие имена.
ft3 = fittype({'cos(x)','1'},'coefficients',{'a1','a2'})ft3 =
Linear model:
ft3(a1,a2,x) = a1*cos(x) + a2
Создайте подходящие типы для пользовательских нелинейных моделей, определяя зависимые проблемой параметры и независимые переменные.
Создайте подходящий тип для пользовательской нелинейной модели, определяя n как зависимый проблемой параметр и u как независимая переменная.
g = fittype('a*u+b*exp(n*u)',... 'problem','n',... 'independent','u')
g =
General model:
g(a,b,n,u) = a*u+b*exp(n*u)
Создайте подходящий тип для пользовательской нелинейной модели, определяя time как независимая переменная.
g = fittype('a*time^2+b*time+c','independent','time','dependent','height')
g =
General model:
g(a,b,c,time) = a*time^2+b*time+c
Создайте подходящий тип для логарифмического приближения к некоторым данным, используйте подходящий тип, чтобы создать подгонку и построить подгонку.
x = linspace(1,100); y = 5 + 7*log(x); myfittype = fittype('a + b*log(x)',... 'dependent',{'y'},'independent',{'x'},... 'coefficients',{'a','b'})
myfittype =
General model:
myfittype(a,b,x) = a + b*log(x)
myfit = fit(x',y',myfittype)
Warning: Start point not provided, choosing random start point.
myfit =
General model:
myfit(x) = a + b*log(x)
Coefficients (with 95% confidence bounds):
a = 5 (5, 5)
b = 7 (7, 7)
plot(myfit,x,y)
Можно задать любую команду MATLAB и поэтому любой .m файл.
Задайте функцию в файле и используйте его, чтобы создать подходящий тип и соответствовать кривой.
Задайте функцию в файле MATLAB.
function y = piecewiseLine(x,a,b,c,d,k) % PIECEWISELINE A line made of two pieces % that is not continuous. y = zeros(size(x)); % This example includes a for-loop and if statement % purely for example purposes. for i = 1:length(x) if x(i) < k, y(i) = a + b.* x(i); else y(i) = c + d.* x(i); end end end
Сохраните файл.
Задайте некоторые данные, создайте подходящий тип, задающий функциональный piecewiseLine, создайте подгонку с помощью подходящего типа ft, и постройте результаты.
x = [0.81;0.91;0.13;0.91;0.63;0.098;0.28;0.55;... 0.96;0.96;0.16;0.97;0.96]; y = [0.17;0.12;0.16;0.0035;0.37;0.082;0.34;0.56;... 0.15;-0.046;0.17;-0.091;-0.071]; ft = fittype( 'piecewiseLine( x, a, b, c, d, k )' ) f = fit( x, y, ft, 'StartPoint', [1, 0, 1, 0, 0.5] ) plot( f, x, y )
Создайте подходящий тип с помощью анонимной функции.
g = fittype( @(a, b, c, x) a*x.^2+b*x+c )
Создайте подходящий тип с помощью анонимной функции и задайте независимые и зависимые параметры.
g = fittype( @(a, b, c, d, x, y) a*x.^2+b*x+c*exp(... -(y-d).^2 ), 'independent', {'x', 'y'},... 'dependent', 'z' );
Создайте подходящий тип для поверхности с помощью анонимной функции и задайте независимые и зависимые параметры и проблемные параметры, которые вы зададите позже, когда вы вызовете fit.
g = fittype( @(a,b,c,d,x,y) a*x.^2+b*x+c*exp( -(y-d).^2 ), ... 'problem', {'c','d'}, 'independent', {'x', 'y'}, ... 'dependent', 'z' );
Используйте анонимную функцию, чтобы передать данные о рабочей области в fittype и fit функции.
Создайте и постройте S-образную кривую. На более поздних шагах вы расширяете и перемещаете эту кривую, чтобы соответствовать к некоторым данным.
% Breakpoints. xs = (0:0.1:1).'; % Height of curve at breakpoints. ys = [0; 0; 0.04; 0.1; 0.2; 0.5; 0.8; 0.9; 0.96; 1; 1]; % Plot S-shaped curve. xi = linspace( 0, 1, 241 ); plot( xi, interp1( xs, ys, xi, 'pchip' ), 'LineWidth', 2 ) hold on plot( xs, ys, 'o', 'MarkerFaceColor', 'r' ) hold off title S-curve
Создайте подходящий тип с помощью анонимной функции, приняв значения из рабочей области для точек останова кривой (xs) и высота кривой в точках останова (ys). Коэффициентами является b (основа) и h высота.
ft = fittype( @(b, h, x) interp1( xs, b+h*ys, x, 'pchip' ) )Постройте fittype определение коэффициентов в качестве примера основного b=1.1 и высота h=-0.8.
plot( xi, ft( 1.1, -0.8, xi ), 'LineWidth', 2 ) title 'Fittype with b=1.1 and h=-0.8'
Загрузите и соответствуйте некоторым данным, с помощью подходящего типа ft созданная стоимость рабочей области использования.
% Load some data xdata = [0.012;0.054;0.13;0.16;0.31;0.34;0.47;0.53;0.53;... 0.57;0.78;0.79;0.93]; ydata = [0.78;0.87;1;1.1;0.96;0.88;0.56;0.5;0.5;0.5;0.63;... 0.62;0.39]; % Fit the curve to the data f = fit( xdata, ydata, ft, 'Start', [0, 1] ) % Plot fit plot( f, xdata, ydata ) title 'Fitted S-curve'
Этот пример показывает различия между использованием анонимных функций проблемными параметрами и значениями переменных рабочей области.
Загрузите данные, создайте подходящий тип для кривой с помощью анонимной функции проблемными параметрами и вызовите fit определение проблемных параметров.
% Load some data. xdata = [0.098;0.13;0.16;0.28;0.55;0.63;0.81;0.91;0.91;... 0.96;0.96;0.96;0.97]; ydata = [0.52;0.53;0.53;0.48;0.33;0.36;0.39;0.28;0.28;... 0.21;0.21;0.21;0.2]; % Create a fittype that has a problem parameter. g = fittype( @(a,b,c,x) a*x.^2+b*x+c, 'problem', 'c' ) % Examine coefficients. Observe c is not a coefficient. coeffnames( g ) % Examine arguments. Observe that c is an argument. argnames( g ) % Call fit and specify the value of c. f1 = fit( xdata, ydata, g, 'problem', 0, 'StartPoint', [1, 2] ) % Note: Specify start points in the calls to fit to % avoid warning messages about random start points % and to ensure repeatability of results. % Call fit again and specify a different value of c, % to get a new fit. f2 = fit( xdata, ydata, g, 'problem', 1, 'start', [1, 2] ) % Plot results. Observe the specified c constants % do not make a good fit. plot( f1, xdata, ydata ) hold on plot( f2, 'b' ) hold off
Измените предыдущий пример, чтобы создать те же подгонки с помощью стоимости рабочей области для переменных, вместо того, чтобы использовать проблемные параметры. Используя те же данные, создайте подходящий тип для кривой с помощью анонимной функции со значением рабочей области для переменной c:
% Remove c from the argument list. try g = fittype( @(a,b,x) a*x.^2+b*x+c ) catch e disp( e.message ) end % Observe error because now c is undefined. % Define c and create fittype: c = 0; g1 = fittype( @(a,b,x) a*x.^2+b*x+c ) % Call fit (now no need to specify problem parameter). f1 = fit( xdata, ydata, g1, 'StartPoint', [1, 2] ) % Note that this f1 is the same as the f1 above. % To change the value of c, recreate the fittype. c = 1; g2 = fittype( @(a,b,x) a*x.^2+b*x+c ) % uses c = 1 f2 = fit( xdata, ydata, g2, 'StartPoint', [1, 2] ) % Note that this f2 is the same as the f2 above. % Plot results plot( f1, xdata, ydata ) hold on plot( f2, 'b' ) hold off
Если подходящий вход выражения типа является вектором символов или анонимной функцией, то тулбокс использует нелинейный алгоритм подбора, чтобы подбирать модель к данным.
Если подходящий вход выражения типа является массивом ячеек условий, то тулбокс использует линейный алгоритм подбора, чтобы подбирать модель к данным.