Этот пример показывает аппроксимацию пользовательского уравнения к данным переписи, определение границ, коэффициентов и зависящего от задачи параметра.
Загрузите и постройте график данных в census.mat:
load census plot(cdate,pop,'o') hold on
Создайте структуру опций аппроксимации и объект типа аппроксимации для пользовательской нелинейной модели y = a (x-b) n, где a и b являются коэффициентами, и n является параметром, зависящим от задачи. Смотрите страницу функции типа fittype для получения дополнительной информации о параметрах, зависящих от проблемы.
s = fitoptions('Method','NonlinearLeastSquares',... 'Lower',[0,0],... 'Upper',[Inf,max(cdate)],... 'Startpoint',[1 1]); f = fittype('a*(x-b)^n','problem','n','options',s);
Подгонка данных с помощью опций аппроксимации и значения n = 2:
[c2,gof2] = fit(cdate,pop,f,'problem',2)c2 =
General model:
c2(x) = a*(x-b)^n
Coefficients (with 95% confidence bounds):
a = 0.006092 (0.005743, 0.006441)
b = 1789 (1784, 1793)
Problem parameters:
n = 2
gof2 = struct with fields:
sse: 246.1543
rsquare: 0.9980
dfe: 19
adjrsquare: 0.9979
rmse: 3.5994
Подгонка данных с помощью опций аппроксимации и значения n = 3:
[c3,gof3] = fit(cdate,pop,f,'problem',3)c3 =
General model:
c3(x) = a*(x-b)^n
Coefficients (with 95% confidence bounds):
a = 1.359e-05 (1.245e-05, 1.474e-05)
b = 1725 (1718, 1731)
Problem parameters:
n = 3
gof3 = struct with fields:
sse: 232.0058
rsquare: 0.9981
dfe: 19
adjrsquare: 0.9980
rmse: 3.4944
Постройте график результатов подгонки и данных:
plot(c2,'m') plot(c3,'c') legend( 'fit with n=2', 'fit with n=3' )
