设h是x,y,z和t的函数,它给出了一条图线(t,h) (模拟)。同时,我们还观察到图(h对t的观测值)。如何通过优化x,y和z的值来减小观察到的(t,h)图与模拟(t,h)图之间的差异?我想改变模拟图,使它越来越接近观察到的图,在MATLAB/Python中。在文献中,我读到人们用拉文贝格-马夸特算法做了同样的事情,但是不知道怎么做呢?
发布于 2016-03-10 12:02:14
实际上,您正在尝试拟合参数化函数x,y,z
的参数h(x,y,z;t)
。
MATLAB
在MATLAB中,您应该使用优化工具箱的lsqcurvefit
,或者曲线拟合工具箱的fit
(我更喜欢后者)。
查看lsqcurvefit
的文档
x = lsqcurvefit(fun,x0,xdata,ydata);
它在文档中说,您有一个具有系数F(x,xdata)
和样本点xdata
的模型ydata
,以及一组测量值ydata
。该函数返回最小二乘参数集x
,其中您的函数最接近测量值。
拟合算法通常需要起点,一些实现可以随机选择,在lsqcurvefit
的情况下,这就是x0
的目的。如果你有
h = @(x,y,z,t) ... %// actual function here
t_meas = ... %// actual measured times here
h_meas = ... %// actual measured data here
然后在lsqcurvefit
的惯例中,
fun <--> @(params,t) h(params(1),params(2),params(3),t)
x0 <--> starting guess for [x,y,z]: [x0,y0,z0]
xdata <--> t_meas
ydata <--> h_meas
您的函数h(x,y,z,t)
应该在t
中向量化,因此对于t
中的向量输入,返回值与t
大小相同。然后,对lsqcurvefit
的调用将给出最优的参数集:
x = lsqcurvefit(@(params,t) h(params(1),params(2),params(3),t),[x0,y0,z0],t_meas,h_meas);
h_fit = h(x(1),x(2),x(3),t_meas); %// best guess from curve fitting
Python
在python中,您必须使用scipy.optimize
模块,特别是类似于scipy.optimize.curve_fit
的模块。根据上述约定,您需要类似于以下内容的内容:
import scipy.optimize as opt
popt,pcov = opt.curve_fit(lambda t,x,y,z: h(x,y,z,t), t_meas, y_meas, p0=[x0,y0,z0])
请注意,p0
启动数组是可选的,但如果缺少参数,则所有参数都将设置为1。您需要的结果是popt
数组,其中包含[x,y,z]
的最优值。
x,y,z = popt
h_fit = h(x,y,z,t_meas)
https://stackoverflow.com/questions/35903023
复制相似问题