fitoptions
创建或修改合适的选择对象
语法
描述
fitOptions= fitoptionsfitOptions。
fitOptions= fitoptions (libraryModelName)
fitOptions= fitoptions (libraryModelName,名称,值)名称,值对参数。
fitOptions= fitoptions (fitType)fitType。使用这种语法与适合的选项定义模型。
fitOptions= fitoptions (名称,值)名称,值对参数。
newOptions= fitoptions (fitOptions,名称,值)fitOptions并返回更新选项newOptions新的选项指定一个或多个名称,值对参数。
newOptions= fitoptions (options1,options2)options1和options2在newOptions。
如果
方法同意,非空的属性的值options2覆盖相应的值options1在newOptions。如果
方法不同,newOptions包含了options1值方法和值options2为正常化,排除,权重。
例子
修改默认选项规范化数据
创建默认的合适选择对象并设置选项之前的数据拟合中心和规模。
选择= fitoptions;选项。正常=“上”
选项=正常化:‘上’排除:(x0 1双)重量:[1 x0双]方法:“没有”
为高斯适合创建默认的合适的选项
选择= fitoptions (“gauss2”)
选项=正常化:‘离开’排除:[]权重:[]方法:‘NonlinearLeastSquares健壮:‘off’曾经繁荣:低[1 x0双]:[负负无穷到0负负无穷到0]上:[1 x0双]算法:“信赖域”DiffMinChange: 1.0000 e-08 DiffMaxChange: 0.1000显示:“通知”MaxFunEvals: 600麦克斯特:400 TolFun: 1.0000 e-06 TolX: 1.0000 e-06
设置多项式适合选项
创建合适的选项为三次多项式和设置中心和规模和健壮的合适的选择。
选择= fitoptions (“poly3”,“正常化”,“上”,“稳健”,“Bisquare”)
选项=正常化:‘上’排除:[]权重:[]方法:‘LinearLeastSquares健壮:“Bisquare”低:[1 x0双]上:(x0 1双)
创建适合选择线性最小二乘法
选择= fitoptions (“方法”,“LinearLeastSquares”)
选项=正常化:‘离开’排除:[]权重:[]方法:‘LinearLeastSquares健壮:‘off’低:[1 x0双]上:(x0 1双)
在多个适合使用相同的合适选择
修改默认的合适选择对象是有用,当你想设置正常化,排除,或权重属性,然后使用相同的选项适合您的数据不同的拟合方法。例如,下面使用相同的选项以适应不同的库模型类型。
负载人口普查选择= fitoptions;选项。正常化=“上”;f1 =适合(cdate、流行、“poly3”、选择);f2 =适合(cdate、流行、“exp1”、选择);f3 =适合(cdate、流行、“cubicspline”选项)
f3 =立方插值样条:f3从p (x) =分段多项式计算x是由平均1890和std 62.05归一化系数:p =系数结构
找到并改变平滑适合的选择
找到平滑参数。视合适选项等光滑的在第三输出参数返回参数的适合函数。
负载人口普查(f, gof) =适合(cdate、流行、“SmoothingSpline”);smoothparam = out.p
smoothparam = 0.0089
修改默认的平滑参数的新健康。
选择= fitoptions (“方法”,“SmoothingSpline”,…“SmoothingParam”,0.0098);(f, gof) =适合(cdate、流行、“SmoothingSpline”、选择);
应用系数范围改进高斯
创建一个高斯,检查置信区间,指定下界合适选项帮助算法。
创建一个嘈杂的和两个高斯峰,一个小的宽度,并且有大量的宽度。
a1 = 1;b1 = 1;c1 = 0.05;a2 = 1;b2 = 1;c2 = 50;x = (10:0.02:10)”;gdata = a1 * exp (- ((x-b1) / c1)。^ 2) +…(a2 * exp () - (x-b2 / c2)。^ 2) +…0.1 *(兰德(大小(x)));情节(x, gdata)
符合两届高斯图书馆使用的数据模型。
礼物=适合(x, gdata“gauss2”)
礼物=一般模型Gauss2:礼物(x) = a1 * exp (- ((x-b1) / c1) ^ 2) + a2 * exp (- ((x-b2) / c2) ^ 2)系数(95%置信界限):a1 = -0.145 b1 (-1.486, 1.195) = 9.725 (-14.71, 34.16) c1 = 7.117 a2 (-15.84, 30.07) = 14.06 (-1.957 e + 04, 1.96 e + 04) b2 = 607 (-3.193 e + 05年,3.205 e + 05) c2 = 375.9 (-9.737 e + 04, 9.812 e + 04)
情节(礼物,x, gdata)
的算法是有困难的,宽的置信区间数表示的系数。
帮助算法,为非负振幅指定下界a1和a2和宽度c1,c2。
选择= fitoptions (“gauss2”,“低”,0负0 0负0);
或者,您可以使用表单设置合适的属性选项选项。属性= NewPropertyValue。
选择= fitoptions (“gauss2”);选项。低=[0负0 0负0];
验算符合使用绑定约束系数。
礼物=适合(x, gdata“gauss2”选项)
礼物=一般模型Gauss2:礼物(x) = a1 * exp (- ((x-b1) / c1) ^ 2) + a2 * exp (- ((x-b2) / c2) ^ 2)系数(95%置信界限):a1 = 1.005 (0.966, 1.044) b1 = 1 (-1.002, -0.9988) c1 = 0.0491 a2 (0.0469, 0.0513) = 0.9985 (0.9958, 1.001) b2 = 0.8059 (0.3879, 1.224) c2 = 50.6 (46.68, 54.52)
情节(礼物,x, gdata)
这是一个更好的健康。可以进一步改善分配合理的适应值的其他属性适合选择对象。
复制并结合合适的选项
创建合适的选项和设置下界。
选择= fitoptions (“gauss2”,“低”(0负0 0负0))
选项=正常化:‘离开’排除:[]权重:[]方法:‘NonlinearLeastSquares健壮:‘off’曾经繁荣:低[1 x0双]:[0负0 0负0]上:[1 x0双]算法:“信赖域”DiffMinChange: 1.0000 e-08 DiffMaxChange: 0.1000显示:“通知”MaxFunEvals: 600麦克斯特:400 TolFun: 1.0000 e-06 TolX: 1.0000 e-06
创建一个新副本适合选择和修改的参数。
newoptions = fitoptions(选项,“稳健”,“Bisquare”)
newoptions =正常化:‘离开’排除:[]权重:[]方法:‘NonlinearLeastSquares健壮:“Bisquare”曾经繁荣:低[1 x0双]:[0负0 0负0]上:[1 x0双]算法:“信赖域”DiffMinChange: 1.0000 e-08 DiffMaxChange: 0.1000显示:“通知”MaxFunEvals: 600麦克斯特:400 TolFun: 1.0000 e-06 TolX: 1.0000 e-06
结合适合的选择。
newoptions options2 = fitoptions(选项)
options2 =正常化:‘离开’排除:[]权重:[]方法:‘NonlinearLeastSquares健壮:“Bisquare”曾经繁荣:低[1 x0双]:[0负0 0负0]上:[1 x0双]算法:“信赖域”DiffMinChange: 1.0000 e-08 DiffMaxChange: 0.1000显示:“通知”MaxFunEvals: 600麦克斯特:400 TolFun: 1.0000 e-06 TolX: 1.0000 e-06
改变自定义模型适应选项
创建一个线性模型适合类型。
融通= fittype ({“x”,“sin (x)”,' 1 '})
融通=线性模型:融通(a, b, c, x) = x + b * * sin (x) + c
得到合适的选择合适的类型融通。
fo = fitoptions(公布)
fo =正常化:‘离开’排除:[]权重:[]方法:‘LinearLeastSquares健壮:‘off’低:[1 x0双]上:(x0 1双)
设置规范化健康的选择。
fo。正常化=“上”
fo =正常化:‘上’排除:[]权重:[]方法:‘LinearLeastSquares健壮:‘Off’低:[1 x0双]上:(x0 1双)
