Algoritmo :: curvefit Algoritmo :: CurveFit - Ajuste de mínimos cuadrados no lineales.
Descargar ahora

Algoritmo :: curvefit Clasificación y resumen

Algoritmo :: curvefit Etiquetas

Módulo perl menos Por lo menos no lineal Cuadrados de ajuste No lineal

Algoritmo :: curvefit Descripción

Algoritmo :: CurveFit - Ajuste de mínimos cuadrados no lineales. Algoritmo :: CurvaFit - Acoplamiento de mínimos cuadrados no lineales.Synopsisuse algoritmo :: curvefit; # Forma conocida de la fórmula My $ Fórmula = 'C + A * x ^ 2'; My $ variable = 'X'; mi @xdata = read_file ('xData'); # Los datos corrieron a $ variables mi @ydata = read_file ('ydata'); # Los datos en el otro eje mis @Parameters = (# nombre de adivina la precisión , # Si una iteración introduce más pequeña , # cambia a la precisión, termina. ) My $ max_iter = 100; # iteraciones máximas My $ Square_residual = algoritmo :: curvefit-> curve_fit (fórmula => $ fórmula, # puede ser un matemático :: árbol simbólico en lugar de params => @parameters, variable => $ variable, xdata => @xdata, ydata => @ydata, maximum_iterations => $ max_iter,); Usa datos :: Dumper; Imprimir Dumper @Parameters; # Imprime # $ var1 = , # #] ; # # Valores reales de los parámetros (como se demuestra por datos de entrada ruidosos): # a = 0.2 # C = 2algoritmo :: curvefit Implementa un algoritmo de ajuste de curvas de mínimos cuadrados no lineales. Eso significa que se ajusta a una curva de forma conocida (similar a un seno, exponencial, polinomio de grado N, etc.) a un conjunto dado de puntos de datos. Para obtener detalles sobre el algoritmo y sus capacidades y defectos, se le alienta a leer La página de MathWorld se hace referencia a continuación. Tenga en cuenta, sin embargo, que es un algoritmo iterativo que mejora el ajuste con cada iteración hasta que convergue. La siguiente regla de oro generalmente se mantiene cierta: una buena conjetura mejora la probabilidad de convergencia y la calidad del ajuste. La creación del número de parámetros libres disminuye la velocidad de calidad y convergencia. Claro que no hay parámetros correlacionados, como en 'A + b * e ^ (C + x) '. (El ejemplo se puede reescribir como 'a + b * e ^ c * e ^ x' en el que 'c' y 'b' son parámetros básicamente equivalentes. Se accede al algoritmo de ajuste de la curva a través de la subrutina 'curve_fit'. Requiere el Siguiendo parámetros como pares 'clave => valor': la fórmula del formulathe debe ser una cadena que puede ser analizada por matemáticas :: simbólico. Alternativamente, puede ser un árbol de matemáticas :: simbólico. Consulte la documentación de ese módulo para el Sintaxis. La evaloramiento de la fórmula para un valor específico de la variable (X-DATA) y los parámetros (ver más abajo) debe producir el valor de Datos Y asociado en el caso de Fit.VariAblethe 'variable' perfecto es la variable en la fórmula que será reemplazado con los puntos de datos X para la evaluación. Si se omite en la llamada a Curve_Fit, el nombre 'X' es predeterminado. (Por lo tanto, 'XDATA'). Paramétricos paramsthe son los símbolos en la fórmula cuyo valor es variado por el algoritmo. Para encontrar el mejor ajuste de la curva a los datos. Puede haber uno o más parámetros, pero por favor tenga en cuenta Que el número de parámetros no solo aumenta el tiempo de procesamiento, sino que también disminuye la calidad del ajuste. El valor de estas opciones debe ser una matriz anónima. Esta matriz debe mantener una matriz anónima para cada parámetro. Esa matriz debe mantener (en orden) un nombre de parámetro, una conjetura inicial y opcionalmente una medida de precisión. Ejemplo: $ params = , . .]; Luego, luego: Curve_Fit (... params => $ params, ...); La medida de precisión significa que si el cambio de parámetros de una iteración a la siguiente se encuentra por debajo de cada medida de precisión para cada parámetro, se asume la convergencia y el algoritmo Se detiene a la iteración. En orden para evitar el bucle para siempre, se recomienda encarecidamente que haga uso de la medida de precisión (consulte también: maximum_iterations). El conjunto máximo de parámetros no se devuelve desde la subrutina, pero los parámetros se modifican en el lugar. Eso significa que la estructura de datos original mantendrá la mejor estimación de los parámetros.xdatathis debe ser una referencia de matriz a una matriz que sujeta los datos de la variable de la función. (Que los valores predeterminados de 'x'). Ydatathis debe ser una referencia de matriz a una matriz que sostiene los valores de la función correspondientes a los valores X en el parámetro 'xData'.Maxumum_iterationsoptional para hacer que el proceso se detenga después de un número dado de iteraciones. Usando la medida de precisión y se recomienda a esta opción a evitar que el algoritmo entre en un bucle sin fin en algunos casos. La subrutina devuelve la suma de los residuos cuadrados después de la iteración final como medida para la calidad del ajuste. PERL Requisitos: · Perl

Algoritmo :: curvefit Software relacionado