在曲线拟合应用程序中,您可以使用自定义公式
适合定义自己的线性或非线性方程。自定义方程拟合采用非线性最小二乘拟合过程。
中可以定义自定义线性方程自定义公式
,但非线性拟合的效率较低,通常比线性最小二乘拟合慢。如果您需要自定义方程的线性最小二乘拟合,选择线性拟合
代替。线性模型是(也许是非线性)项的线性组合。它们由参数为线性的方程定义。
提示
如果您需要自定义方程的线性最小二乘拟合,选择线性拟合
.如果你不知道你的方程是否可以表示成一组线性函数,那么选择自定义公式
代替。看到交互式选择自定义方程.
在曲线拟合应用程序中,选择一些曲线数据X数据和Y数据列表。你只能看到线性拟合
在模型类型列表中选择一些曲线数据后,因为线性拟合
是曲线,不是曲面。
曲线拟合应用程序创建一个默认的多项式拟合。
更改模型类型多项式
来线性拟合
在模型类型列表中。
当您选择时,将出现一个示例方程线性拟合
从列表中。
你可以改变x
和y
到任何有效的变量名。
下面的方框显示示例方程。点击编辑更改“编辑自定义线性术语”对话框中的示例术语,并定义自己的等式。
例如,请参见在曲线拟合应用程序中适合自定义线性Legendre多项式.
要使用线性拟合算法,请指定模型项的单元格数组作为输入适合
或fittype
功能。这些项的表达式中不包括系数。如果有常数项,则使用'1'作为单元格数组中相应的表达式。
指定以下形式的线性模型:
Coeff1 * term1 + coeff2 * term2 + coeff3 * term3 +...
term1
,term2
,等等,使用单元格数组,其中每个项,没有系数,是指定在一个单元格数组的字符串,如下所示:LinearModelTerms = {“term1”,“term2”,“term3”,...}
确定您需要输入的线性模型术语fittype
.例如,模型
A *log(x) + b*x + c
一个
,b
,c
.它有三个项日志(x)
,x
,1
(因为c = c * 1
).要指定这个模型,你可以使用这个单元格数组:LinearModelTerms ={'日志(x) ', ' x ', ' 1 '}
.使用线性模型项的单元格数组作为输入fittype
功能:
linearfittype = fittype ({日志(x)的,“x”,' 1 '})
线性模型:linearfittype(a,b,c,x) = a*log(x) + b*x + c
加载一些数据并使用fittype
作为输入适合
函数。
负载人口普查f =适合(cdate、流行、linearfittype)
系数(有95%置信限):a = -4.663e+04 (-4.973e+04, -4.352e+04) b = 25.9 (24.26, 27.55) c = 3.029e+05 (2.826e+05, 3.232e+05)
适合
功能:f =适合(x, z, {日志(x)的,“x”,' 1 '})
绘制匹配图和数据。
情节(f cdate流行)
例如,请参见在命令行适合自定义线性Legendre多项式.
这个例子展示了如何使用几个自定义线性方程来拟合数据。这些数据是根据核反应生成的12C (e, e 'α)8是。方程使用Legendre多项式项的和。
考虑一个实验,其中124 MeV电子从12C核。在随后的反应中,阿尔法粒子被释放并产生剩余核8是。通过分析发射的粒子的数量作为角度的函数,你可以推断出关于核动力学的某些信息12C.接下来显示的是反应运动学。
这些数据是通过将固态探测器放置在Θ的值处收集的α从10o到240年o在10o增量。
用勒让德多项式来描述一个角的函数是很有用的
在哪里Pn(x)是一次的勒让德多项式n,x因为(Θα),一个n为拟合系数。有关生成Legendre多项式的信息,请参见勒让德
函数。
对于阿尔法发射数据,你可以通过调用一个理论模型直接将系数与核动力学联系起来。此外,理论模型还引入了上述无穷和的约束条件。特别地,考虑到反应的角动量,四次Legendre多项式只使用偶数项应该有效地描述数据。
您可以生成带Rodrigues公式的Legendre多项式:
四次以下的勒让德多项式
n |
Pn(x) |
---|---|
0 |
1 |
1 |
x |
2 |
(1/2) (3x2- 1) |
3. |
(1/2) (5x3.- 3x) |
4 |
(1/8) (35x4- 30x2+ 3) |
这个例子展示了如何使用只有偶数项的四次Legendre多项式来拟合数据:
加载12C阿尔法发射数据输入
负载carbon12alpha
工作区现在包含两个新变量:
角
角度向量(以弧度为单位)的范围是10吗o到240年o在10o增量。
计数
原始粒子计数的矢量是否对应于发射角度角
.
打开曲线拟合应用程序,输入:
cftool
在曲线拟合应用程序中,选择角
和计数
为X数据和Y数据为这两个变量创建一个默认的多项式。
更改适合类型为多项式
来线性拟合
创建默认自定义线性匹配。
你使用线性拟合
而不是自定义公式
因为Legendre多项式只依赖于预测变量和常数。您将为模型指定的方程是y1(x)(即本程序开始时给出的方程)。因为角
用弧度表示,勒让德项的辐角由cos(Θα).
点击编辑更改“编辑自定义线性术语”对话框中的等式术语。
改变系数名字a2
,a4
,a0
.
改变条款为a2
来
(1/2) * (3 * cos (x) ^ 2 - 1)
曲线拟合应用程序更新适合,因为你编辑的条款。
改变条款为a4
来
(1/8) * (35 * cos (x) ^ 4-30 * cos (x) ^ 2 + 3)
曲线拟合出现在曲线拟合应用程序。
重命名适合的名字来Leg4Even
.
通过选择显示残差视图>残差图.
拟合与数据趋势吻合较好,残差呈随机分布,无系统性行为。
的数值拟合结果结果窗格。看看每个系数的值和括号里的置信界限。95%置信限表明系数与一个0(x),一个4(x)是相当准确的,但是一个2(x系数具有较大的不确定性。
选择适合>复制Leg4Even让你之前的Legendre多项式的副本适合修改。
复制的适合出现在一个新选项卡。
为了证实阿尔法发射数据最好用只有偶数项的四次Legendre多项式来描述的理论论点,接下来使用偶数和奇数项来拟合数据:
将新的fit重命名为Leg4EvenOdd
.
点击编辑改变方程项。打开“编辑自定义线性术语”对话框。
编辑下列条款,以适合所给出的模型y2(x):
点击+按钮添加一个项两次,添加奇数的Legendre项。
将新的系数名称改为a1
和a3
.
改变条款为a1
来
cos (x)
改变条款为a3
来
箴(1/2)* (5 * cos (x) ^ 3 - 3 * cos (x))
观察在曲线拟合应用程序中绘制的新拟合,并检查数值结果结果窗格。
注意奇勒让德系数(a1
和a3
)可能被删除以简化拟合,因为它们的值很小且置信范围为零。这些结果表明奇数的Legendre项对拟合没有显著贡献,而偶数的Legendre项与之前的拟合基本不变。这证实了初始模型的选择Leg4Even
合身是最好的。
要并排比较适合,请选择左/右瓷砖。使用曲线拟合应用程序,您可以仅通过隐藏拟合设置和结果窗格来显示绘图视图菜单。
在曲线拟合应用程序中创建的命令行中拟合相同的模型。
要使用线性拟合算法,请指定模型项的单元格数组作为输入fittype
函数。使用相同的条款您在曲线拟合应用程序Leg4Even
拟合,不指定任何系数。
linearft = fittype ({”(1/2)* (3 * cos (x) ^ 2 - 1)”,...”(1/8)* (35 * cos (x) ^ 4-30 * cos (x) ^ 2 + 3)的,' 1 '})
linearft =线性模型:linearft (a, b, c, x) = a * ((1/2) * (3 * cos (x) ^ 2 - 1))…+ b*((1/8)*(35*cos(x)^4-30*cos(x)^2+3)) + c
加载角
和计数
工作区中的变量。
负载carbon12alpha
使用fittype
作为输入适合
函数,并指定角
和计数
工作区中的变量。
F =适合(角度,计数,线性)
线性模型:f = f (x) = a * ((1/2) * (3 * cos (x) ^ 2 - 1))…系数(95%置信限):a = 23.86 (4.436, 43.29) b = 201.9 (180.2, 223.6) c = 102.9 (93.21, 112.5)
绘制匹配图和数据。
情节(f,角,计算)
有关线性模型术语的更多细节,请参阅fittype
函数。