אלגוריתם :: Curvefit אלגוריתם :: curvefit - לא ליניארי לפחות ריבועים מתאים.
הורד עכשיו

אלגוריתם :: Curvefit דירוג וסיכום

אלגוריתם :: Curvefit תגים

פרל מודול הכי פחות לא ליניארי לפחות ריבועי התאמה לֹא קָוִי

אלגוריתם :: Curvefit תיאור

האלגוריתם :: CurveFit - ריבועים פחותים קויים הולמים. אלגוריתם :: CurveFit - הריבועים הפחותים קוי Fitting.SYNOPSISuse אלגוריתם :: CurveFit; # צורה מוכרת של נוסחה $ שלי = 'ג + a * x ^ 2'; המשתנה $ שלי = 'x'; שלי @xdata = read_file ( 'xdata'); # הנתונים corresponsing כדי המשתנה $ שלי @ydata = read_file ( 'ydata'); # נתון על הציר האחר @parameters שלי = (# שם Guess הדיוק , # אם איטרציה מציגה הקטן , # שינויים כי הדיוק, הסוף. ); max_iter $ שלי = 100; # איטרציות המקסימלית שלי $ square_residual = אלגוריתם :: CurveFit-> curve_fit (הנוסחה => $ הנוסחה, # עשוי להיות עץ מתמטיקה :: סמלי במקום params => @parameters, משתנה => $ משתנה, xdata => @xdata, ydata => @ydata, maximum_iterations => $ max_iter,); השתמש בנתונים :: Dumper; להדפיס @parameters משליך; # הדפסים # $ var1 = , # #] ; # # ערכים אמיתיים של הפרמטרים (כפי שהוכח על ידי נתון קלט רועשים): א # = 0.2 # C = 2Algorithm :: CurveFit מיישם ליניארית לפחות ריבועים עקומים אלגוריתם מתאים. כלומר, הוא מתאים עקום של צורה ידוע (סינוס דמוי, מעריכים, פולינום של n תואר, וכו ') כדי סט נתון של נתוני points.For פרטים על האלגוריתם ויכול ואת פגמיה, אתה מעודד לקרוא הדף את MathWorld הפניה למטה. הערה, עם זאת, כי היא אלגוריתם איטרטיבי המשפר את ההתאמה עם כל איטרציה עד שהוא מתכנס. הכלל הבא של אגודל בדרך כלל נכון: ניחוש טוב משפר את ההסתברות של התכנסות ואת איכות fit.Increasing מספר פרמטרים חופשיים מקטין את איכות ההתכנסות speed.Make בטוח כי אין פרמטרים בקורלציה כזה כמו ב " + b * e ^ (ג + x)". (דוגמא ניתן לשכתב "a + b * דואר ^ ג * e ^ x" שבו "ג" ו "ב" הם בעצם עקום parameters.The המקבילה אלגוריתם הולם הוא לגשת דרך "curve_fit" ששגרה. זה מחייב בעקבות פרמטרים כמו זוגות "key => ערך":.. נוסחא formulaThe צריכה להיות מחרוזת כי ניתן לנתחו ידי מתמטיקה :: סמלית לחלופין, הוא יכול להיות עץ מתמטיקה :: סמלי קיים עיין בתיעוד של מודול עבור syntax.Evaluation של הנוסחה עבור ערך מסוים של המשתנה (X-Data) והפרמטרים (ראו להלן) אמור להניב ערך Y-נתונים הקשורים במקרה של "משתנה" מושלם fit.variableThe הוא איבר בנוסחה כי יוחלף עם נקודה-Data X להערכה. אם הושמט בשיחה כדי curve_fit, בשם "x" הוא ברירת מחדל. (מכאן "xdata".) פרמטרי paramsThe הם הסימנים בנוסחא שערכם נע ידי האלגוריתם כדי למצוא את ההתאמה הטובה ביותר של העקומה לנתונים. יתכנה פרמטר אחד או יותר, אך יש לזכור כי מספר הפרמטרים לא רק מגדיל עיבוד הזמן, אלא גם מפחית את איכות ערך fit.The אופציות זה צריך להיות מערך אנונימי. מערך זה אמור להחזיק מערך אחד אנונימית עבור כל פרמטר. זה המערך צריך להחזיק (לפי הסדר) שם הפרמטר, ניחוש ראשוני, ולאחר אופצינלי measure.Example דיוק: $ params = , , .. .]; ואז מאוחרות יותר: curve_fit (... params => $ params, ...); אמצעי מדד הדיוק כי אם השינוי בפרמטרים מאחד איטרציה למשנו הוא מתחת לכול מידת דיוק עבור כול פרמטר, התכנסות הנחה היא והאלגוריתם iterating.In מפסיק מנת למנוע לולאה לנצח, מומלץ מאוד לעשות שימוש באמצעי הדיוק (ראו גם: maximum_iterations) .the סט סופי של פרמטרים לא חזרו מן השגרה אבל הפרמטרים משתנים ב-מקום. כלומר, מבנה הנתונים המקורי יקיים את האומדן הטוב ביותר של parameters.xdataThis צריך להיות התייחסות מערך מערך מחזיק את נתון עבור המשתנה של הפונקציה. (איזה ברירת מחדל הוא "x".) YdataThis צריכה להיות התייחסות מערך מערך מחזיק את ערכי הפונקציה המתאימים לערך-x ב "פרמטר xdata'.maximum_iterationsOptional כדי להפוך את להפסיק התהליך לאחר מספר נתון של חזרות. תוך שימוש במידת דיוק אפשרות זו יחד מומלצת למנוע את האלגוריתם מ נכנס ללולאה אינסופית בחלק ששגרת cases.The מחזיר את סכום שאריות כיכר לאחר איטרציה סופי כמדד לאיכות של fit.Requirements: · Perl דרישות: · פרל

אלגוריתם :: Curvefit תוכנה קשורה