我有一个方程式,我试图适应一些实验数据。在过去,我使用了lsqcurvefit
并传递了实验数据,以及描述我的拟合数据的函数。 E.g。
model = @(p,x) exp(-p(1).*x);
startingVals = 0.5;
lsqcurvefit(model,startingVals,expData_x,exptData_y)
这将与MATLAB完美匹配,返回最适合我数据的p
值。在内部,我猜它正在调整p
的值,这是一种智能方法,可以最小化差值的平方和。
现在我有一个不具分析性的模型,想要找到最接近的拟合B
。一个例子是:
model = integral(@(v)besselj(0,x.*v.*B), 0, 40);
(只是一个例子,也许它可以通过分析解决,但我的确定无法解决)。
因此,要计算我放入试用版B
的模型,并计算每个x
的函数。到目前为止,我一直在做的是为一系列试用B
术语计算模型,例如B = 1:1:10
。这将给我10个向量,每个向量具有不同的模型点集。然后我会运行脚本,找出每个模型计算中减去实验数据的最小残差。
这似乎工作正常,但现在我正在使用一个具有多个拟合项的等式。例如
model = integral(@(v)(C.*D).*besselj(0,x.*v.*B).^(E), 0, 40);
我现在可能想要找到B, C, D and E
的最佳拟合值。我的方法仍然可行,但会产生大量的实验性试验,例如循环通过10个值,每个生成10,000个单独的曲线。
我的方法是好还是我错过了更简单的方法来适应这些功能?
由于
编辑:感谢大卫工作代码。
请注意,有时lsqcurvefit
会返回复杂的数字,但这是另一个问题。显然,真实的数据不是一个完美的契合,但我不知道你可以将这些功能传递给lsqcurvefit。
A = 0.2; %input variables to 'solve' for later
B = 0.3;
C = 0.4;
D = 0.5;
x = logspace(-2,2,200); %x data
options = optimset('MaxFunEvals', 200,'MaxIter', 200,'TolFun',1e-10,'Display','off');
genData = arrayfun(@(x) integral(@(v) A.*B.*besselj(0,x.*v.*C).^D, 0, 40),x); %generate some data
genData = real(genData);
model = @(p,x) real(arrayfun(@(x) integral(@(v) p(1).*p(2).*besselj(0,x.*v.*p(3)).^p(4), 0, 40),x));
startingVals = [0.5 0.5 0.5 0.5]; %guess values
lb = [0.1 0.1 0.1 0.1]; %lower bound
ub = [1 1 1 1]; %upper bound
[p] = lsqcurvefit(model,startingVals,x,genData,lb,ub,options); %do the fit, takes a while
fitData = real(arrayfun(@(x) integral(@(v) p(1).*p(2).*besselj(0,x.*v.*p(3)).^p(4), 0, 40),x)); %regenrate data based on fitted values
semilogx(x,genData,'ro')
hold on
semilogx(x,fitData,'b')
答案 0 :(得分:3)
这应该让lsqcurvefit
能够使用model
:
model=@(p,x) arrayfun(@(x) integral(@(v) p(1).*p(2).*besselj(0,x.*v.*p(3)).^p(4), 0, 40),x);
然而,我制作了一些系数B
,C
,D
和E
,并且表现并不是很好。我不确定是不是因为我选择了错误的数字或是否是一种缓慢的方法。