Объект, содержащий результаты вычисления элементарных эффектов для глобального анализа чувствительности (GSA)
SimBiology.gsa.ElementaryEffects
объект содержит результаты GSA, возвращенные sbioelementaryeffects
. Объект содержит вычисленные элементарные эффекты относительно входных параметров параметра.
Создайте SimBiology.gsa.ElementaryEffects
объектное использование sbioelementaryeffects
.
AbsoluteEffects
— Отметьте, чтобы использовать абсолютные значения элементарных эффектовtrue
(значение по умолчанию) | false
Отметьте, чтобы использовать абсолютные значения элементарных эффектов в виде true
или false
. По умолчанию функция использует абсолютные значения элементарных эффектов. Используя неабсолютные значения может составить в среднем при вычислении среднего значения. Для получения дополнительной информации смотрите Элементарные Эффекты для Глобального Анализа чувствительности.
Типы данных: логический
Time
— Моменты времениЭто свойство доступно только для чтения.
Моменты времени, в которых элементарные эффекты вычисляются в виде столбца числовой вектор. Свойством является []
если все observables являются скалярами.
Типы данных: double
Results
— GSA заканчивается с элементарными эффектамиЭто свойство доступно только для чтения.
GSA заканчивается с элементарными эффектами в виде массива структур. Размером массива является params-by-observables, где params является количеством входных параметров (входные параметры чувствительности), и observables является количеством observables (чувствительность выходные параметры).
Каждая структура содержит следующие поля.
Parameter
— Имя входного параметра в виде вектора символов
Observable
— Имя заметного в виде вектора символов
Mean
— Среднее значение абсолютных значений элементарных эффектов в виде скалярного или числового вектора
StandardDeviation
— Стандартное отклонение абсолютных элементарных эффектов в виде скалярного или числового вектора
Если все observables являются скаляром, то Mean
и StandardDeviation
поля заданы как скаляры. Если какие-либо observables являются векторами, Mean
и StandardDeviation
числовые векторы из длины Time
. Если некоторые observables являются скалярами, и некоторые - векторы, скаляр observables расширены до скаляра, где каждый момент времени имеет то же значение.
Типы данных: struct
GridLevel
— Уровень дискретизации области параметра
(значение по умолчанию) | положительный даже целое числоЭто свойство доступно только для чтения.
Уровень дискретизации области параметра в виде положительного даже целое число. Этот параметр задает сетку равноотстоящих точек в области параметра, где каждая размерность дискретизируется с помощью
'points'. Следующий рисунок показывает пример сетки для параметров p1 и p2 в данных границах параметра.Gridlevel
+1
Для получения дополнительной информации смотрите Элементарные Эффекты для Глобального Анализа чувствительности.
Типы данных: double
GridDelta
— Размер шага для вычисления элементарных эффектовGridLevel
/2
(значение по умолчанию) | положительное целое число между 1 и GridLevel
Это свойство доступно только для чтения.
Размер шага для вычисления элементарных эффектов в виде положительного целого числа между 1 и GridLevel
. Размер шага измеряется в терминах узлов решетки между соседними точками. Следующий рисунок показывает примеры различных значений дельты сетки.
Для получения дополнительной информации смотрите Элементарные Эффекты для Глобального Анализа чувствительности.
Типы данных: double
PointSelection
— Метод, чтобы выбрать точки выборки, чтобы вычислить элементарные эффекты"chain"
(значение по умолчанию) | "radial"
Это свойство доступно только для чтения.
Метод, чтобы выбрать точки выборки, чтобы вычислить элементарные эффекты в виде "chain"
или "radial"
. "chain"
укажите, что выбор использует метод Морриса [1]. "radial"
укажите, что выбор использует метод Sohier [2]. Для получения дополнительной информации смотрите Элементарные Эффекты для Глобального Анализа чувствительности.
Типы данных: double
ParameterSamples
— Выбранные значения параметровЭто свойство доступно только для чтения.
Выбранные значения параметров в виде таблицы. Таблица содержит (1+numel(params))*NumberSamples
строки и numel(params)
столбцы.
sbioelementaryeffects
блоки использования k+1
строки, где k является количеством входных параметрических усилителей, чтобы вычислить элементарный эффект для каждого входного параметра. Общее количество этих блоков равно общему количеству выборок. Можно получить индексы блока путем выполнения kron((1:NumberSamples)',ones(numel(params)+1,1))
. Для получения дополнительной информации смотрите Элементарные Эффекты для Глобального Анализа чувствительности.
Типы данных: table
Observables
— Имена ответов модели или observablesЭто свойство доступно только для чтения.
Имена ответов модели или observables в виде массива ячеек из символьных векторов.
Типы данных: char
SimulationInfo
— Информация о симуляции используемые в вычислениях элементарные эффектыЭто свойство доступно только для чтения.
Информация о симуляции, такая как данные моделирования и выборки параметра, используемые в вычислениях элементарные эффекты в виде структуры. Структура содержит следующие поля.
SimFunction
— SimFunction
объект используется для ответов имитационной модели или observables.
SimData
— SimData
массив размера [NumberSamples,1]
, где NumberSamples является количеством отсчетов. Массив содержит результаты симуляции от ParameterSamples
.
OutputTimes
— Числовой вектор-столбец, содержащий общий временной вектор всего SimData
объекты.
Bounds
— Числовая матрица размера [params,2]
. params является количеством входных параметров. Первый столбец содержит нижние границы, и второй столбец содержит верхние границы для входных параметров чувствительности.
DoseTables
— Массив ячеек таблиц дозы используется для SimFunction
оценка. DoseTables
выход getTable(doseInput)
, где doseInput является значением, заданным для 'Doses'
аргумент пары "имя-значение" в вызове sbiosobol
, sbiompgsa
, или sbioelementaryeffects
. Если никакие дозы не применяются, это поле установлено в []
.
ValidSample
— Логический вектор из размера [NumberSamples,1]
указание, перестала ли симуляция для конкретной выборки работать. Передискретизация данных моделирования (SimData
) может привести к NaN
значения, если данные экстраполируются. Такой SimData
обозначаются как недопустимые.
InterpolationMethod
— Имя метода интерполяции для SimData
.
SamplingMethod
— Имя метода выборки раньше чертило ParameterSamples
.
RandomState
— Структура, содержащая состояние rng
прежде, чем чертить ParameterSamples
.
Типы данных: struct
resample | Передискретизируйте индексы Sobol или элементарные эффекты к новому временному вектору |
addobservable | Вычислите индексы Sobol или элементарные эффекты для нового заметного выражения |
removeobservable | Удалите индексы Sobol или элементарные эффекты observables |
addsamples | Добавьте дополнительные выборки, чтобы увеличить точность индексов Sobol или элементарного анализа эффектов |
plotData | Постройте сводные данные квантиля симуляций модели от глобального анализа чувствительности (требует Statistics and Machine Learning Toolbox), |
plot | Постройте средние значения и стандартные отклонения элементарных эффектов |
bar | Постройте величины средних значений и стандартные отклонения элементарных эффектов |
plotGrid | Постройте сетку параметра, и точки использовались для расчета элементарных эффектов |
Загрузите модель роста опухоли.
sbioloadproject tumor_growth_vpop_sa.sbproj
Заставьте вариант предполагаемыми параметрами и дозой применяться к модели.
v = getvariant(m1);
d = getdose(m1,'interval_dose');
Получите активный configset и установите вес опухоли как ответ.
cs = getconfigset(m1);
cs.RuntimeOptions.StatesToLog = 'tumor_weight';
Симулируйте модель и постройте профиль роста опухоли.
sbioplot(sbiosimulate(m1,cs,v,d));
Выполните глобальный анализ чувствительности (GSA) на модели, чтобы найти параметры модели, к которым рост опухоли чувствителен.
Во-первых, задайте параметры модели интереса, которые вовлечены в фармакодинамику роста опухоли. Задайте ответ модели как вес опухоли.
modelParamNames = {'L0','L1','w0','k1'}; outputName = 'tumor_weight';
Затем выполните GSA путем вычисления элементарных эффектов с помощью sbioelementaryeffects
. Используйте 100
как количество отсчетов и набор ShowWaitBar
к true
показать прогресс симуляции.
rng('default');
eeResults = sbioelementaryeffects(m1,modelParamNames,outputName,Variants=v,Doses=d,NumberSamples=100,ShowWaitbar=true);
Покажите средний ответ модели, результаты симуляции и теневую область, покрывающую 90% результатов симуляции.
plotData(eeResults,ShowMedian=true,ShowMean=false);
Можно настроить область квантиля к различному проценту путем определения Alphas
для более низких и верхних квантилей всех ответов модели. Например, alpha
значение 0,1 графиков теневая область между 100*alpha
и 100*(1-alpha)
квантили всех симулированных ответов модели.
plotData(eeResults,Alphas=0.1,ShowMedian=true,ShowMean=false);
Постройте курс времени средних значений и стандартные отклонения элементарных эффектов.
h = plot(eeResults);
% Resize the figure.
h.Position(:) = [100 100 1280 800];
Среднее значение эффектов объясняет, оказывают ли изменения входных значений параметров какое-либо влияние на ответ веса опухоли. Стандартное отклонение эффектов объясняет, зависит ли изменение чувствительности от местоположения в области параметра.
От среднего значения графиков эффектов, параметры L1
и w0
кажется, самые чувствительные параметры к весу опухоли, прежде чем доза будет применена в t = 7. Но, после того, как доза применяется, k1
и L0
станьте более чувствительными параметрами и способствуйте больше всего дозируемому после того, как этапу веса опухоли. Графики стандартного отклонения эффектов показывают больше отклонений для больших значений параметров на более позднем этапе (t> 35), чем для этапа прежде-чем-дозы роста опухоли.
Можно также отобразить величины чувствительности в столбиковой диаграмме. Каждая цветная штриховка представляет гистограмму, представляющую значения в разное время. Более темные цвета означают, что те значения происходят чаще по курсу всего времени.
bar(eeResults);
Можно также построить сетки параметра, и выборки использовались для расчета элементарных эффектов.
plotGrid(eeResults)
Можно задать больше выборок, чтобы увеличить точность элементарных эффектов, но симуляция может занять больше времени, чтобы закончиться. Используйте addsamples
добавить больше выборок.
eeResults2 = addsamples(eeResults,200);
SimulationInfo
свойство объекта результата содержит различную информацию для вычисления элементарных эффектов. Например, данные о симуляции модели (SimData) для каждой симуляции с помощью набора выборок параметра хранятся в SimData
поле свойства. Это поле является массивом SimData
объекты.
eeResults2.SimulationInfo.SimData
SimBiology SimData Array : 1500-by-1 Index: Name: ModelName: DataCount: 1 - Tumor Growth Model 1 2 - Tumor Growth Model 1 3 - Tumor Growth Model 1 ... 1500 - Tumor Growth Model 1
Можно узнать, перестала ли какая-либо симуляция модели работать во время расчета путем проверки ValidSample
поле SimulationInfo
. В этом примере поле не показывает не пройдено запусков симуляции.
all(eeResults2.SimulationInfo.ValidSample)
ans = logical
1
Можно добавить пользовательские выражения как observables и вычислить элементарные эффекты добавленного observables. Например, можно вычислить эффекты для максимального веса опухоли путем определения пользовательского выражения можно следующим образом.
% Suppress an information warning that is issued. warnSettings = warning('off', 'SimBiology:sbservices:SB_DIMANALYSISNOTDONE_MATLABFCN_UCON'); % Add the observable expression. eeObs = addobservable(eeResults2,'Maximum tumor_weight','max(tumor_weight)','Units','gram');
Постройте вычисленные результаты симуляции, показывающие 90%-ю область квантиля.
h2 = plotData(eeObs); h2.Position(:) = [100 100 1500 800];
Можно также удалить заметное путем определения его имени.
eeNoObs = removeobservable(eeObs,'Maximum tumor_weight');
Восстановите настройки предупреждения.
warning(warnSettings);
[1] Моррис, Макс Д. “Планы Выборки факториала относительно Предварительных Вычислительных Экспериментов”. Технометрики 33, № 2 (май 1991): 161–74.
[2] Sohier, Анри, Жан-Лу Фарг и Хелене Пит-Ланир. “Улучшение Представительности Метода Морриса для Воздушного Запуска, чтобы вращаться вокруг Разделения”. Объемы Продолжений IFAC 47, № 3 (2014): 7954–59.
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.