SimFunctionSensitivity object

Объект SimFunctionSensitivity, подкласс SimFunction объект

Описание

SimFunctionSensitivity объект является подклассом SimFunction object. Это позволяет вам вычислять чувствительность.

Синтаксис

SimFunctionSensitivity возразите совместно использует все синтаксисы SimFunction объект. Это имеет следующий дополнительный синтаксис.

[T,Y,SensMatrix] = F(___) возвращает T, массив ячеек числового вектора, Y, массив ячеек 2D числовых матриц и SensMatrix, массив ячеек 3-D числовой матрицы, содержащей вычисленную чувствительность количеств модели. SensMatrix содержит матрицу размера TimePoints x Outputs x Inputs. TimePoints является общим количеством моментов времени, Outputs является общим количеством выходных факторов, и Inputs является общим количеством входных факторов.

Если вы задаете один выходной аргумент, объект возвращает SimData объект или массив SimData объекты с информацией о чувствительности.

Свойства

SimFunctionSensitivity возразите совместно использует все свойства SimFunction object. Это имеет следующие дополнительные свойства.

SensitivityOutputs

table с названными переменными:

  • 'Name'

  • 'Type'

  • 'Units' (только если UnitConversion включен),

Эта таблица содержит информацию о количествах модели (разновидности или параметры), для которого вы хотите вычислить чувствительность. Sensitivity факторы выхода является числителями зависящих от времени производных, описанных в Анализе чувствительности в SimBiology. Это свойство доступно только для чтения.

SensitivityInputs

table с названными переменными:

  • 'Name'

  • 'Type'

  • 'Units' (только если UnitConversion включен),

Эта таблица содержит информацию о количествах модели (разновидности, отсеки или параметры), относительно которого вы хотите вычислить чувствительность. Факторами входа Sensitivity являются знаменатели зависящих от времени производных, описанных в Анализе чувствительности в SimBiology. Это свойство доступно только для чтения.

SensitivityNormalizationВектор символов, задающий метод нормализации для расчетной чувствительности. Следующие примеры показывают, как чувствительность разновидности x относительно параметра k вычисляется для каждого типа нормализации.
  • 'None' — Никакая нормализация.

    x(t)k

  • 'Half' — Нормализация относительно числителя только.

    (1x(t))(x(t)k)

  • 'Full' — Полный dedimensionalization

    (kx(t))(x(t)k)

Примеры

свернуть все

В этом примере показано, как вычислить чувствительность некоторых разновидностей в модели Лотки-Вольтерры с помощью SimFunctionSensitivity объект.

Загрузите демонстрационный проект.

sbioloadproject lotka;

Задайте входные параметры.

params = {'Reaction1.c1', 'Reaction2.c2'};

Задайте наблюдаемые разновидности, которые являются выходными параметрами симуляции.

observables  = {'y1', 'y2'};

Создайте SimFunctionSensitivity объект. Установите чувствительность выходные факторы на все разновидности (y1 и y2) заданный в observables аргумент и входные факторы тем в params аргумент (c1 и c2) путем установки аргумента пары "имя-значение" 'all'.

f = createSimFunction(m1,params,observables,[],'SensitivityOutputs','all','SensitivityInputs','all','SensitivityNormalization','Full')
f = 
SimFunction

Parameters:

          Name          Value        Type     
    ________________    _____    _____________

    {'Reaction1.c1'}      10     {'parameter'}
    {'Reaction2.c2'}    0.01     {'parameter'}

Observables: 

     Name        Type    
    ______    ___________

    {'y1'}    {'species'}
    {'y2'}    {'species'}

Dosed: None

Sensitivity Input Factors: 

          Name              Type     
    ________________    _____________

    {'Reaction1.c1'}    {'parameter'}
    {'Reaction2.c2'}    {'parameter'}

Sensitivity Output Factors: 

     Name        Type    
    ______    ___________

    {'y1'}    {'species'}
    {'y2'}    {'species'}

Sensitivity Normalization: 

Full

Вычислите чувствительность путем выполнения объекта с c1 и c2 установите на 10 и 0.1, соответственно. Установите выходные времена от 1 до 10. t содержит моменты времени, y содержит данные моделирования и sensMatrix матрица чувствительности, содержащая чувствительность y1 и y2 относительно c1 и c2.

[t,y,sensMatrix] = f([10,0.1],[],[],1:10);

Получите информацию о чувствительности в моменте времени 5.

temp = sensMatrix{:};
sensMatrix2 = temp(t{:}==5,:,:);
sensMatrix2 = squeeze(sensMatrix2)
sensMatrix2 = 2×2

   37.6987   -6.8447
  -40.2791    5.8225

Строки sensMatrix2 представляйте выходные факторы (y1 и y2). Столбцы представляют входные факторы (c1 и c2).

sensMatrix2=[y1c1y2c1y1c2y2c2]

Установите время остановки на 15, не задавая выходные времена. В этом случае выходные времена являются моментами времени решателя по умолчанию.

sd = f([10,0.1],15);

Получите расчетную чувствительность из SimData объект sd.

[t,y,outputs,inputs] = getsensmatrix(sd);

Постройте чувствительность разновидностей y1 и y2 относительно c1.

figure;
plot(t,y(:,:,1));
legend(outputs);
title('Sensitivities of species y1 and y2 with respect to parameter c1');
xlabel('Time');
ylabel('Sensitivity');

Figure contains an axes. The axes with title Sensitivities of species y1 and y2 with respect to parameter c1 contains 2 objects of type line. These objects represent y1, y2.

Постройте чувствительность разновидностей y1 и y2 относительно c2.

figure;
plot(t,y(:,:,2));
legend(outputs);
title('Sensitivities of species y1 and y2 with respect to parameter c2');
xlabel('Time');
ylabel('Sensitivity');

Figure contains an axes. The axes with title Sensitivities of species y1 and y2 with respect to parameter c2 contains 2 objects of type line. These objects represent y1, y2.

В качестве альтернативы можно использовать sbioplot.

sbioplot(sd);

Figure contains an axes. The axes with title States versus Time contains 6 objects of type line. These objects represent y1, y2, d[y1]/d[Reaction1.c1], d[y2]/d[Reaction1.c1], d[y1]/d[Reaction2.c2], d[y2]/d[Reaction2.c2].

Можно также построить матрицу чувствительности использование интеграла времени для расчетной чувствительности y1 и y2. График показывает y1 и y2 более чувствительны к c1 чем c2.

[~, in, out] = size(y);
result = zeros(in, out);
for i = 1:in
    for j = 1:out
        result(i,j) = trapz(t(:),abs(y(:,i,j)));
    end
end
figure;
hbar = bar(result);
haxes = hbar(1).Parent;
haxes.XTick = 1:length(outputs);
haxes.XTickLabel = outputs;
legend(inputs,'Location','NorthEastOutside');
ylabel('Sensitivity');

Figure contains an axes. The axes contains 2 objects of type bar. These objects represent Reaction1.c1, Reaction2.c2.

Представленный в R2015a