Hvordan bruke Matlab til å løse Least Squares Solutions

Hvordan bruke Matlab til å løse Least Squares Solutions


Minste kvadraters metode som vanligvis brukes i data montering. Løsningen på en minste kvadraters problem er koeffisienten eller sett av koeffisienter som minimaliserer summen av de kvadrerte restene. Restene er forskjellen mellom virkelig verdi og montert verdi.

Forskere og ingeniører bruker Matlab, et program utviklet av MathWorks, til å utføre minste kvadraters analyse. Du kan bruke "fminsearch" funksjon - men dette kan være svært komplisert og tidkrevende - eller kurvetilpasning verktøykasse - som er dyrt. Alternativt kan du bruke Ezyfit. Ezyfit er gratis, rask og enkel å bruke Matlab verktøykasse.

Bruksanvisning

Ezyfit Installasjon

1 Last ned Ezyfit. Pakk den til en mappe på datamaskinen. Ikke legg den til Matlab katalogen ( "Program Files / Matlab").

2 Velg "File> Angi bane ..." fra menylinjen, og velg deretter mappen som inneholder Ezyfit å legge Ezyfit til Matlab banen.

3 Start Matlab å laste Ezyfit for første gang. Deretter vil Ezyfit automatisk lastes når du starter Matlab.

Generer Linear eksempeldata

4 Skriv "x = 0: 1: 100" i kommandovinduet for å generere en rekke x-verdier.

5 Skriv "y = rand (1, lengde (x))" til tilfeldig generere en y-verdi for hver x-verdi.

6 Skriv "y = y.

(X 2)" for å lage en gradient av 2. Ta vare å bruke matrise multiplikasjon "." etter den andre y snarere enn matrisemultiplikasjon "" ellers du vil generere en matrisemultiplikasjon feil.

7 Type "plot (x, y, 'kx')" for å plotte punkter på et spredningsdiagram.

Utfør Least Squares Monter

8 Type "Showfit ( 'a * x + b')" for å utføre en lineær minste kvadraters. Ezyfit skriver løsningen, det vil si verdiene av passende koeffisienter "a" og "b" og korrelasjonskoeffisienten "R".

9 Type "Showfit ( 'en

exp (b x) + c')" for å utføre en eksponentiell minste kvadraters.

10 Kontroller at korrelasjonskoeffisienten "R" for eksponensiell tilpasning er mindre enn den "R" -verdi for den lineære tilpasning. Dette betyr at den lineære tilpasning er en bedre tilpasning av dataene, som ventet.