SBIOfit.GydF4y2Ba

执行非线性最小二乘回归GydF4y2Ba

折叠所有页面GydF4y2Ba

统计和机器学习工具箱™，优化工具箱™，以及GydF4y2Ba全局优化工具箱GydF4y2Ba建议此功能。GydF4y2Ba

句法GydF4y2Ba

Fitresults = SBIOfit（SM，GRPDATA，RepleiteMap，Extripfo）GydF4y2Ba

FitResults = SBIOfit（SM，GRPDATA，Reportemap，ExtenInfo，给药）GydF4y2Ba

FitResults = SBIOfit（SM，GRPDATA，respectemap，emplinfo，剂量，functionamame）GydF4y2Ba

FitResults = SBIOfit（SM，GRPDATA，Reportemap，ExtenInfo，Deturing，Functionalame，选项）GydF4y2Ba

fitResults = sbiofit (sm, grpData、responseMap estiminfo,剂量,functionName,选择,变异)GydF4y2Ba

fitresults = sbiofit（_，名称，值）GydF4y2Ba

[fitresults，simdata] = sbiofit（_）GydF4y2Ba

描述GydF4y2Ba

例子GydF4y2Ba

Fitresults.GydF4y2Ba= sbiofit (GydF4y2BasmGydF4y2Ba那GydF4y2Bagrpdata.GydF4y2Ba那GydF4y2Ba答复GydF4y2Ba那GydF4y2Ba估价GydF4y2Ba）GydF4y2Ba估计素质模型的参数GydF4y2BasmGydF4y2Ba使用非线性最小二乘回归。GydF4y2Ba

grpdata.GydF4y2Ba是A.GydF4y2Bagroupeddata对象GydF4y2Ba指定数据以适应。GydF4y2Ba答复GydF4y2Ba中定义模型组件和响应数据之间的映射GydF4y2Bagrpdata.GydF4y2Ba．GydF4y2BaestimatedInfoGydF4y2Ba是一个GydF4y2BaEstimatedInfo对象GydF4y2Ba这定义了模型中的估计参数GydF4y2BasmGydF4y2Ba．GydF4y2BaFitresults.GydF4y2Ba是A.GydF4y2BaOptimResults对象GydF4y2Ba或者GydF4y2BaNLINResults对象GydF4y2Ba或这些的矢量对象。GydF4y2Ba

SBIOfit.GydF4y2Ba使用以下第一个可用估计功能：GydF4y2BalsqnonlinGydF4y2Ba(优化工具箱)GydF4y2Ba那GydF4y2BanlinfitGydF4y2Ba（统计和机器学习工具箱）GydF4y2Ba,或GydF4y2Bafminsearch.GydF4y2Ba．GydF4y2Ba

默认情况下，每组GydF4y2Bagrpdata.GydF4y2Ba分别拟合，得到特定群体的参数估计。如果模型包含活性剂量和变体，则在模拟之前应用它们。GydF4y2Ba

例子GydF4y2Ba

Fitresults.GydF4y2Ba= sbiofit (GydF4y2BasmGydF4y2Ba那GydF4y2Bagrpdata.GydF4y2Ba那GydF4y2Ba答复GydF4y2Ba那GydF4y2Ba估价GydF4y2Ba那GydF4y2Ba给药GydF4y2Ba）GydF4y2Ba使用SimBiology剂量对象矩阵指定的剂量信息GydF4y2Ba给药GydF4y2Ba而不是使用模型中的活性剂量GydF4y2BasmGydF4y2Ba如果有的话。GydF4y2Ba

例子GydF4y2Ba

Fitresults.GydF4y2Ba= sbiofit (GydF4y2BasmGydF4y2Ba那GydF4y2Bagrpdata.GydF4y2Ba那GydF4y2Ba答复GydF4y2Ba那GydF4y2Ba估价GydF4y2Ba那GydF4y2Ba给药GydF4y2Ba那GydF4y2BafunctionName.GydF4y2Ba）GydF4y2Ba使用指定的估计函数GydF4y2BafunctionName.GydF4y2Ba．如果指定的函数不可用，则发出警告，并使用第一个可用的默认功能。GydF4y2Ba

例子GydF4y2Ba

Fitresults.GydF4y2Ba= sbiofit (GydF4y2BasmGydF4y2Ba那GydF4y2Bagrpdata.GydF4y2Ba那GydF4y2Ba答复GydF4y2Ba那GydF4y2Ba估价GydF4y2Ba那GydF4y2Ba给药GydF4y2Ba那GydF4y2BafunctionName.GydF4y2Ba那GydF4y2Ba选项GydF4y2Ba）GydF4y2Ba使用指定的附加选项GydF4y2Ba选项GydF4y2Ba对于这个功能GydF4y2BafunctionName.GydF4y2Ba．GydF4y2Ba

例子GydF4y2Ba

Fitresults.GydF4y2Ba= sbiofit (GydF4y2BasmGydF4y2Ba那GydF4y2Bagrpdata.GydF4y2Ba那GydF4y2Ba答复GydF4y2Ba那GydF4y2Ba估价GydF4y2Ba那GydF4y2Ba给药GydF4y2Ba那GydF4y2BafunctionName.GydF4y2Ba那GydF4y2Ba选项GydF4y2Ba那GydF4y2Ba变体GydF4y2Ba）GydF4y2Ba应用指定的变体对象GydF4y2Ba变体GydF4y2Ba而不是使用模型的任何活动变体。GydF4y2Ba

例子GydF4y2Ba

Fitresults.GydF4y2Ba= sbiofit（_，GydF4y2Ba名称，价值GydF4y2Ba）GydF4y2Ba使用一个或多个指定的其他选项GydF4y2Ba名称，价值GydF4y2Ba配对参数。GydF4y2Ba

例子GydF4y2Ba

[GydF4y2BaFitresults.GydF4y2Ba那GydF4y2Ba辛迪塔GydF4y2Ba] = sbiofit (_)GydF4y2Ba还返回Simdata对象的向量GydF4y2Ba辛迪塔GydF4y2Ba使用先前语法中的任何输入参数。GydF4y2Ba

笔记GydF4y2Ba

SBIOfit.GydF4y2Ba统一GydF4y2BasbionlinfitGydF4y2Ba和GydF4y2BaSbioparamestimGydF4y2Ba估计函数。用GydF4y2BaSBIOfit.GydF4y2Ba进行非线性最小二乘回归。GydF4y2Ba
SBIOfit.GydF4y2Ba模拟使用的模型GydF4y2BaSIMFUNCTIP对象GydF4y2Ba，默认情况下自动加速模拟。因此，它没有必要跑GydF4y2BaSbioaccelerate.GydF4y2Ba在你打电话之前GydF4y2BaSBIOfit.GydF4y2Ba．GydF4y2Ba

例子GydF4y2Ba

全部收缩GydF4y2Ba

将一个隔间模型安装到单个PK配置文件GydF4y2Ba

打开直播脚本GydF4y2Ba

背景GydF4y2Ba

这个例子展示了如何将个体的PK配置数据与单室模型相匹配，并估计药动学参数。GydF4y2Ba

假设您具有来自个人的药物血浆浓度数据，并且希望估计中央隔室的体积和间隙。假设药物浓度与时间曲线遵循单一节点下降GydF4y2Ba ${CGydF4y2Ba}_{T.GydF4y2Ba} =GydF4y2Ba {CGydF4y2Ba}_{0.GydF4y2Ba} {E.GydF4y2Ba}^{-GydF4y2Ba {K.GydF4y2Ba}_{E.GydF4y2Ba} T.GydF4y2Ba}$ ，在哪里GydF4y2Ba ${CGydF4y2Ba}_{T.GydF4y2Ba}$ 为t时刻的药物浓度，GydF4y2Ba ${CGydF4y2Ba}_{0.GydF4y2Ba}$ 是初始浓度，和GydF4y2Ba ${K.GydF4y2Ba}_{E.GydF4y2Ba}$ 消除率常数取决于中央隔间的间隙和体积GydF4y2Ba ${K.GydF4y2Ba}_{E.GydF4y2Ba} =GydF4y2Ba CGydF4y2Ba L.GydF4y2Ba /GydF4y2Ba V.GydF4y2Ba$ ．GydF4y2Ba

本例中的合成数据是使用以下模型、参数和剂量生成的:GydF4y2Ba

带有推注计量的单室模型和一阶消除GydF4y2Ba
中央隔室的体积(GydF4y2Ba中央GydF4y2Ba= 1.70升GydF4y2Ba
清除参数（GydF4y2Bacl_central.GydF4y2Ba）= 0.55升/小时GydF4y2Ba
常数误差模型GydF4y2Ba
丸剂剂量为10mgGydF4y2Ba

加载数据并可视化GydF4y2Ba

数据存储为具有变量的表GydF4y2Ba时间GydF4y2Ba和GydF4y2BaconcGydF4y2Ba这代表了13个不同时间点静脉滴注给药后个体血浆浓度的时间历程。变量单位GydF4y2Ba时间GydF4y2Ba和GydF4y2BaconcGydF4y2Ba分别为小时和毫克/升。GydF4y2Ba

清楚的GydF4y2Ba所有GydF4y2Ba负载(GydF4y2Ba'data15.mat'GydF4y2Ba）GydF4y2Ba

绘图（data.Time、data.Conc、，GydF4y2Ba'b +'GydF4y2Ba）xlabel（GydF4y2Ba'时间（小时）'GydF4y2Ba）;ylabel (GydF4y2Ba“药物浓度（毫克/升）”GydF4y2Ba）;GydF4y2Ba

图中包含一个坐标轴。轴包含类型线的对象。GydF4y2Ba

转换为groupedData格式GydF4y2Ba

将数据设置为aGydF4y2Bagroupeddata.GydF4y2Ba对象，它是拟合函数所需的数据格式GydF4y2BaSBIOfit.GydF4y2Ba以备后用。一种GydF4y2Bagroupeddata.GydF4y2Ba对象还允许您设置独立变量和组变量名称（如果存在）。设置的单位GydF4y2Ba时间GydF4y2Ba和GydF4y2BaconcGydF4y2Ba变量。单位是可选的，只需要GydF4y2BaUnitConversionGydF4y2Ba功能，它自动将匹配的物理量转换为一个一致的单元系统。GydF4y2Ba

gData=分组数据（数据）；gData.Properties.VariableUnits={GydF4y2Ba'小时'GydF4y2Ba那GydF4y2Ba'毫克/升'GydF4y2Ba};gdata.properties.GydF4y2Ba

ans =.GydF4y2Ba同场的结构：GydF4y2Ba描述:“UserData: [] DimensionNames: {'Row' 'Variables'} VariableNames: {'Time' 'Conc'} VariableDescriptions: {} VariableUnits: {'hour' ''毫克/升'}VariableContinuity: [] RowNames: {} CustomProperties: [1x1 matlab.tabular. properties .]CustomProperties] GroupVariableName: " IndependentVariableName: '时间'GydF4y2Ba

groupeddata.GydF4y2Ba自动设置的名称GydF4y2Ba独立variablename.GydF4y2Ba财产到GydF4y2Ba时间GydF4y2Ba数据的变量。GydF4y2Ba

构建一个单室模型GydF4y2Ba

使用内置的PK库构建一个单室模型，其中带有推注给药和一阶消除，其中消除速率取决于中央隔室的间隙和体积。使用GydF4y2BaconfigsetGydF4y2Ba对象来打开单位转换。GydF4y2Ba

pkmd = pkmodeldesign;pkc1 = addcompartment（pkmd，GydF4y2Ba“中央”GydF4y2Ba）;pkc1.dosentype =GydF4y2Ba'丸'GydF4y2Ba；pkc1。EliminationType =GydF4y2Ba“线性间隙”GydF4y2Ba；pkc1。HasResponseVariable = true;模型=构造(pkmd);configset = getconfigset(模型);configset.CompileOptions.UnitConversion = true;GydF4y2Ba

有关使用Simbiology®内置库创建Compartment PK模型的详细信息，请参阅GydF4y2Ba创建药代动力学模型GydF4y2Ba．GydF4y2Ba

定义剂量GydF4y2Ba

定义一次剂量为10毫克，在时间= 0。有关设置不同剂量计划的详细信息，请参阅GydF4y2Ba在SimBiology模型中剂量GydF4y2Ba．GydF4y2Ba

剂量= sbiodose（GydF4y2Ba'剂量'GydF4y2Ba）;dose.targetname =.GydF4y2Ba'药物_Central'GydF4y2Ba；dose.starttime = 0;dose.amount = 10;dose.amountunits =.GydF4y2Ba'毫克'GydF4y2Ba；剂量。时间Units ='小时'GydF4y2Ba；GydF4y2Ba

地图响应数据相应的模型组件GydF4y2Ba

数据包含存储在中的药物浓度数据GydF4y2BaconcGydF4y2Ba变量。这个数据对应于GydF4y2BaDrug_CentralGydF4y2Ba模型中的物种。因此，将数据映射到GydF4y2BaDrug_CentralGydF4y2Ba如下。GydF4y2Ba

Respectemap = {GydF4y2Ba'tax central = conc'GydF4y2Ba};GydF4y2Ba

指定估算参数GydF4y2Ba

适合该模型的参数是中央隔室（中央）和间隙率（CL_CONCRAL）的体积。在这种情况下，为这些生物参数指定对数转换，因为它们被限制为正。这GydF4y2BaestimatedInfoGydF4y2Ba如果需要，允许您指定参数变换，初始值和参数界限。GydF4y2Ba

paramstoestimate = {GydF4y2Ba“日志（中央）”GydF4y2Ba那GydF4y2Ba‘日志（中央图书馆）’GydF4y2Ba};estimatedParams = estimatedInfo（paramsToEstimate，GydF4y2Ba'初始值'GydF4y2Ba，[1 1]，GydF4y2Ba'界限'GydF4y2Ba,[1 5;0.5 2]);GydF4y2Ba

估计参数GydF4y2Ba

现在您已经定义了单室模型、要拟合的数据、映射的响应数据、要估计的参数和剂量，请使用GydF4y2BaSBIOfit.GydF4y2Ba来估计参数。默认的估计函数GydF4y2BaSBIOfit.GydF4y2Ba使用将根据可用的工具箱而改变。要查看在装配过程中使用的功能，请检查GydF4y2Ba估计功能GydF4y2Ba相应结果对象的属性。GydF4y2Ba

FitConst = SBIOfit（模型，GDATA，respectemap，估计日常，剂量）;GydF4y2Ba

显示估计参数和绘图结果GydF4y2Ba

请注意，参数估计从用于生成数据的真实值（1.70和0.55）并不遥远。您还可以尝试不同的错误模型来查看它们是否可以进一步提高参数估计值。GydF4y2Ba

fitConst。ParameterEstimatesGydF4y2Ba

ans =.GydF4y2Ba2×4表GydF4y2Ba名字估计StandardError界限  ______________ ________ _____________ __________ {' 中央}1.6993 0.034821 1 5{‘Cl_Central} 0.53358 - 0.01968 0.5 - 2GydF4y2Ba

s.labels.xlabel =.GydF4y2Ba'时间（小时）'GydF4y2Ba；s.Labels.YLabel =GydF4y2Ba“浓度（毫克/升）”GydF4y2Ba；情节(fitConstGydF4y2Ba“AxesStyle”GydF4y2Ba，s）;GydF4y2Ba

图中包含一个坐标轴。一组包含2个类型为line的对象。这些对象代表OBS1 (Conc)， PRED1 (Central.Drug_Central)。GydF4y2Ba

使用不同的误差模型GydF4y2Ba

尝试三个其他支持的错误模型（比例金宝app，常量和比例错误模型以及指数的组合）。GydF4y2Ba

fitprop = sbiofit（模型，gdata，respectemap，估计日常，剂量，GydF4y2Ba．．.GydF4y2Ba“错误模型”GydF4y2Ba那GydF4y2Ba“比例”GydF4y2Ba）;fitExp = sbiofit(模型、gData responseMap estimatedParams,剂量,GydF4y2Ba．．.GydF4y2Ba“错误模型”GydF4y2Ba那GydF4y2Ba“指数”GydF4y2Ba）;fitcomb = sbiofit（模型，gdata，respectemap，估计仙人，剂量，GydF4y2Ba．．.GydF4y2Ba“错误模型”GydF4y2Ba那GydF4y2Ba“组合”GydF4y2Ba）;GydF4y2Ba

使用权重而不是错误模型GydF4y2Ba

您可以为数字矩阵，其中列数对应的答复数量指定权重。所有的权重设置为1，相当于恒误差模型。GydF4y2Ba

权重=α（大小（gdata.conc））;fitweightsnumeric = sbiofit（模型，gdata，respectemap，估计仙人，剂量，GydF4y2Ba“重量”GydF4y2Ba，举重，重量;GydF4y2Ba

或者，您可以使用接受预测响应值的向量的函数句柄，并返回权重向量。在此示例中，使用相当于比例错误模型的函数句柄。GydF4y2Ba

权重= @（y）1./y.^2;fitweightsfunction = sbiofit（模型，gdata，respectemap，估计仙人，剂量，GydF4y2Ba“重量”GydF4y2Ba, weightsFunction);GydF4y2Ba

比较模型选择的信息标准GydF4y2Ba

比较每个模型的loglikeliachi，aiC和BIC值，以了解哪种错误模型最适合数据。更大的似然值表示相应的模型更好地适合模型。对于AIC和BIC，较小的值更好。GydF4y2Ba

allResults = [fitConst fitWeightsNumeric、fitWeightsFunction fitProp, fitExp, fitComb);errorModelNames = {GydF4y2Ba'恒定错误模型'GydF4y2Ba那GydF4y2Ba相同重量的GydF4y2Ba那GydF4y2Ba'比例重量'GydF4y2Ba那GydF4y2Ba．．.GydF4y2Ba'比例错误模型'GydF4y2Ba那GydF4y2Ba“指数误差模型”GydF4y2Ba那GydF4y2Ba．．.GydF4y2Ba'组合错误模型'GydF4y2Ba};LogLikelihood = [allResults.LogLikelihood] ';AIC = [allResults.AIC] ';BIC = [allResults.BIC] ';t =表(LogLikelihood、AIC, BIC);t.Properties.RowNames = errorModelNames;T.GydF4y2Ba

t =GydF4y2Ba6×3表GydF4y2Baloglikelihoothe AIC BIC _____________________ _______恒定误差模型3.9866 -3.9732 -2.8433等重3.9866 -3.9732 -2.8433比例重量-3.8472 11.694 12.824比例误差型号-3.8257 11.651 12.781指数误差型号1.1984 1.6032 2.7331组合错误型号3.9163 -3.8326 -2.7027GydF4y2Ba

基于信息标准，恒定的误差模型（或相等的权重）适合最佳数据，因为它具有最大的loglikeliach值和最小的AIC和BIC。GydF4y2Ba

显示估计的参数值GydF4y2Ba

显示每个模型的估计参数值。GydF4y2Ba

估计_Central =零（6,1）;估计_cl_central = zeros（6,1）;t2 =表（估计_central，估计_cl_central）;t2.properties.rowname = errormodelnames;GydF4y2Ba为了GydF4y2Bai = 1:height(t2) t2{i,1} = allResults(i).ParameterEstimates.Estimate(1);t2{我2}= allResults (i) .ParameterEstimates.Estimate (2);GydF4y2Ba结束GydF4y2Bat2GydF4y2Ba

t2 =GydF4y2Ba6×2表GydF4y2BaEstimated_Central Estimated_Cl_Central _________________ ____________________常数误差模型1.6993 0.53358等权重1.6993 0.53358比例权重1.9045 0.51734比例误差模型1.8777 0.51147指数误差模型1.7872 0.51701组合误差模型1.7008 0.53271GydF4y2Ba

结论GydF4y2Ba

这个例子展示了如何通过PK廓线数据拟合到单室模型中来估计PK参数，即中央室的体积和个体的间隙参数。您比较了每个模型的信息标准和不同误差模型的估计参数值，以查看哪个模型最好地解释了数据。最终的拟合结果表明，常数和组合误差模型都提供了与用于生成数据的参数值最接近的估计。然而，根据对数似然、AIC和BIC信息准则，常数误差模型是更好的模型。GydF4y2Ba

将两个隔间模型适合多个个人的PK型材GydF4y2Ba

假设您有来自三个人的药物血浆浓度数据，您希望使用这些数据来估计相应的药代动力学参数，即中央和外周隔室的体积(GydF4y2Ba中央GydF4y2Ba那GydF4y2Ba外围GydF4y2Ba)，清除率(GydF4y2Bacl_central.GydF4y2Ba）和交流间隙（GydF4y2Ba12个GydF4y2Ba)．假设药物浓度与时间曲线呈双指数下降GydF4y2Ba ${CGydF4y2Ba}_{T.GydF4y2Ba} =GydF4y2Ba 一种GydF4y2Ba {E.GydF4y2Ba}^{-GydF4y2Ba 一种GydF4y2Ba T.GydF4y2Ba} +GydF4y2Ba B.GydF4y2Ba {E.GydF4y2Ba}^{-GydF4y2Ba B.GydF4y2Ba T.GydF4y2Ba}$ ，在哪里GydF4y2BaCGydF4y2Ba_T.GydF4y2Ba药物浓度是在同一时间吗GydF4y2BaT.GydF4y2Ba，和GydF4y2Ba一种GydF4y2Ba和GydF4y2BaB.GydF4y2Ba为相应指数下降的斜率。GydF4y2Ba

合成数据集包含在中央室和外周室测量的药物血浆浓度数据。数据是使用两室模型产生的输液剂量和一级消除。这些参数用于每个个体。GydF4y2Ba

	`中央GydF4y2Ba`	`外围GydF4y2Ba`	`12个GydF4y2Ba`	`cl_central.GydF4y2Ba`
个人1GydF4y2Ba	1.90GydF4y2Ba	0.68GydF4y2Ba	0.24GydF4y2Ba	0.57GydF4y2Ba
个人2.GydF4y2Ba	2.10GydF4y2Ba	6.05GydF4y2Ba	0.36GydF4y2Ba	0.95GydF4y2Ba
个人3.GydF4y2Ba	1．70GydF4y2Ba	4.21GydF4y2Ba	0.46GydF4y2Ba	0.95GydF4y2Ba

数据存储为具有变量的表GydF4y2BaIDGydF4y2Ba那GydF4y2Ba时间GydF4y2Ba那GydF4y2BaCentralConc.GydF4y2Ba，和GydF4y2BaPeripheralConcGydF4y2Ba．它代表在注射剂量后八个不同时间点测定的中心室和外周室血浆浓度的时间历程。GydF4y2Ba

负载(GydF4y2Ba'data10_32R.mat'GydF4y2Ba）GydF4y2Ba

将数据设置为aGydF4y2Bagroupeddata.GydF4y2Ba对象是拟合函数所需的数据格式GydF4y2BaSBIOfit.GydF4y2Ba以备后用。一种GydF4y2Bagroupeddata.GydF4y2Ba对象还允许您设置独立变量和组变量名称（如果存在）。设置的单位GydF4y2BaIDGydF4y2Ba那GydF4y2Ba时间GydF4y2Ba那GydF4y2BaCentralConc.GydF4y2Ba，和GydF4y2BaPeripheralConcGydF4y2Ba变量。单位是可选的，只需要GydF4y2BaUnitConversionGydF4y2Ba功能，它自动将匹配的物理量转换为一个一致的单元系统。GydF4y2Ba

gData=分组数据（数据）；gData.Properties.VariableUnits={GydF4y2Ba''GydF4y2Ba那GydF4y2Ba'小时'GydF4y2Ba那GydF4y2Ba'毫克/升'GydF4y2Ba那GydF4y2Ba'毫克/升'GydF4y2Ba};gdata.properties.GydF4y2Ba

ans=带字段的结构：描述：''UserData:[]维度名称：{'Row''VariableNames:{'ID''Time''CentralConc''PeripheralConc'}VariableDescriptions:{}VariableUnits:{1x4 cell}VariableContinuity:[]行名称：{}自定义属性：[1x1 matlab Tabler.CustomProperties]GroupVariableName:'ID'独立VariableName:'Time'GydF4y2Ba

创建一个网格图，显示三个人的PK配置文件。GydF4y2Ba

sbiotrellis (gDataGydF4y2Ba'ID'GydF4y2Ba那GydF4y2Ba'时间'GydF4y2Ba，{GydF4y2Ba'CentralConc'GydF4y2Ba那GydF4y2Ba'peripheralconc'GydF4y2Ba}，GydF4y2Ba．．.GydF4y2Ba“标记”GydF4y2Ba那GydF4y2Ba'+'GydF4y2Ba那GydF4y2Ba'linestyle'GydF4y2Ba那GydF4y2Ba“没有”GydF4y2Ba）;GydF4y2Ba

利用内置的PK库构建两室模型，注射给药，一阶消除，消除率取决于中央室的间隙和体积。使用Configset对象打开单元转换。GydF4y2Ba

pkmd = pkmodeldesign;pkc1 = addcompartment（pkmd，GydF4y2Ba“中央”GydF4y2Ba）;pkc1.dosentype =GydF4y2Ba“输液”GydF4y2Ba；pkc1。EliminationType =GydF4y2Ba“线性间隙”GydF4y2Ba；pkc1。HasResponseVariable = true;pkc2 = addCompartment (pkmd,GydF4y2Ba“外围”GydF4y2Ba）;模型=构造(pkmd);configset = getconfigset(模型);configset.CompileOptions.UnitConversion = true;GydF4y2Ba

假设每个个体在时间= 0时接受注射剂量，总注射量为100mg，速度为50mg /小时。有关设置不同剂量策略的详细信息，请参见GydF4y2Ba在SimBiology模型中剂量GydF4y2Ba．GydF4y2Ba

剂量= sbiodose（GydF4y2Ba'剂量'GydF4y2Ba那GydF4y2Ba“TargetName”GydF4y2Ba那GydF4y2Ba'药物_Central'GydF4y2Ba）;dose.starttime = 0;dose.amount = 100;dose.rate = 50;dose.amountunits =.GydF4y2Ba'毫克'GydF4y2Ba；剂量。时间Units ='小时'GydF4y2Ba；剂量。RateUnits =GydF4y2Ba'毫克/小时'GydF4y2Ba；GydF4y2Ba

数据含有中央和外周隔室中的测量等离子体浓度。将这些变量映射到适当的型号物种，即GydF4y2BaDrug_CentralGydF4y2Ba和GydF4y2Ba药物纯粹GydF4y2Ba．GydF4y2Ba

Respectemap = {GydF4y2Ba“Drug_Central = CentralConc”GydF4y2Ba那GydF4y2Ba“Drug_Peripheral = PeripheralConc”GydF4y2Ba};GydF4y2Ba

该模型中要估计的参数是中央和外围隔室的体积(GydF4y2Ba中央GydF4y2Ba和GydF4y2Ba外围GydF4y2Ba)，部门间通关GydF4y2Ba12个GydF4y2Ba和清除率GydF4y2Bacl_central.GydF4y2Ba．在这种情况下，请指定日志转换GydF4y2Ba中央GydF4y2Ba和GydF4y2Ba外围GydF4y2Ba由于它们被限制为积极。这GydF4y2BaestimatedInfoGydF4y2Ba对象允许您指定参数转换、初始值和参数边界(可选)。GydF4y2Ba

paramstoestimate = {GydF4y2Ba“日志（中央）”GydF4y2Ba那GydF4y2Ba'日志（外围）'GydF4y2Ba那GydF4y2Ba'Q12'GydF4y2Ba那GydF4y2Ba“Cl_Central”GydF4y2Ba};估计日本=估计（paramstoestimate，GydF4y2Ba'初始值'GydF4y2Ba，[1 1 1 1]）;GydF4y2Ba

将模型与池中的所有数据拟合在一起，即估算所有个人的一组参数。默认估计方法GydF4y2BaSBIOfit.GydF4y2Ba使用将根据可用的工具箱而改变。要查看哪个估计函数GydF4y2BaSBIOfit.GydF4y2Ba用于配件，检查GydF4y2Ba估计功能GydF4y2Ba相应结果对象的属性。GydF4y2Ba

pooledFit=sbiofit（模型、gData、反应图、估计参数、剂量、，GydF4y2Ba“池”GydF4y2Ba，真的）GydF4y2Ba

pooledfit =具有属性的优化资金：EXITFLAG：3输出：[1x1 struct] groupname：[] beta：[4x3表] Parameteriestimates：[4x3表] J：[4x4x2双] Covb：[4x4双] Coviancematrix：[4x4 double] r：[24x2 double] MSE: 6.6220 SSE: 291.3688 Weights: [] LogLikelihood: -111.3904 AIC: 230.7808 BIC: 238.2656 DFE: 44 DependentFiles: {1x3 cell} EstimatedParameterNames: {'Central' 'Peripheral' 'Q12' 'Cl_Central'} ErrorModelInfo: [1x3 table] EstimationFunction: 'lsqnonlin'

将拟合结果与原始数据进行对比。尽管生成了三个独立的图，数据使用相同的参数集进行拟合(即，所有三个个体具有相同的拟合线)。GydF4y2Ba

情节(pooledFit);GydF4y2Ba

估算每个个人的一组参数，并查看参数估计是否有任何改进。在该示例中，由于有三个人，估计三组参数。GydF4y2Ba

unpooledFit = sbiofit(模型、gData responseMap estimatedParam,剂量,GydF4y2Ba“池”GydF4y2Ba，错误的）;GydF4y2Ba

将拟合结果与原始数据进行对比。每个单独的都适用于不同的（即，每个配合的线对每个单独的线都是独一无二的），并且每条线似乎适合各个数据。GydF4y2Ba

绘图（UngooledFit）;GydF4y2Ba

显示第一个个人的拟合结果。MSE低于汇集合身的MSE。对于其他两个人来说也是如此。GydF4y2Ba

unpooledFit (1)GydF4y2Ba

ans = OptimResults属性:ExitFlag: 3输出:[1 x1 struct] GroupName: 1β:[4 x3表]ParameterEstimates: [4 x3表]:[8 x4x2双]COVB: [4 x4双]CovarianceMatrix: [4 x4双]R: [8 x2双]MSE: 2.1380上交所:25.6559重量:[]LogLikelihood: -26.4805 AIC: 60.9610 BIC: 64.0514教育部:12 DependentFiles:{1x3 cell} EstimatedParameterNames: {'Central' ' 'Peripheral' ' 'Q12' ' 'Cl_Central'} ErrorModelInfo: [1x3 table] EstimationFunction: 'lsqnonlin'GydF4y2Ba

生成一段时间内的残差图，以比较合用和非合用的匹配结果。图中显示非合并拟合残差小于预期的合并拟合残差。除了比较残差外，还可以使用其他严格的标准来比较拟合结果。GydF4y2Ba

t = [gData.Time; gData.Time];res_pooled = vertcat (pooledFit.R);res_pooled = res_pooled (:);res_unpooled = vertcat (unpooledFit.R);res_unpooled = res_unpooled (:);情节(t, res_pooledGydF4y2Ba“o”GydF4y2Ba那GydF4y2Ba'markerfacecolor'GydF4y2Ba那GydF4y2Ba'W'GydF4y2Ba那GydF4y2Ba'markeredgecolor'GydF4y2Ba那GydF4y2Ba“b”GydF4y2Ba)举行GydF4y2Ba在GydF4y2Ba情节(t, res_unpooledGydF4y2Ba“o”GydF4y2Ba那GydF4y2Ba'markerfacecolor'GydF4y2Ba那GydF4y2Ba“b”GydF4y2Ba那GydF4y2Ba'markeredgecolor'GydF4y2Ba那GydF4y2Ba“b”GydF4y2Ba) refl = refine (0,0);GydF4y2Ba％参考线表示零残差GydF4y2Ba标题（GydF4y2Ba“残差与时间”GydF4y2Ba）;包含(GydF4y2Ba'时间'GydF4y2Ba）;ylabel (GydF4y2Ba'残留'GydF4y2Ba）;传奇（{GydF4y2Ba“池”GydF4y2Ba那GydF4y2Ba'undooled'GydF4y2Ba}）;GydF4y2Ba

此示例演示了如何使用GydF4y2BaSBIOfit.GydF4y2Ba．如上图所示，非混合拟合考虑了研究中特定对象的变化，在这种情况下，模型更适合数据。然而，池拟合返回整个填充范围的参数。如果您想在考虑个体差异的同时估计整个种群的参数，请使用GydF4y2Basbiofitmixed.GydF4y2Ba．GydF4y2Ba

估计多个体的类别特定PK参数GydF4y2Ba

此示例使用：GydF4y2Ba

打开直播脚本GydF4y2Ba

这个示例展示了如何使用来自多个个体的PK配置文件数据估计特定于类别的参数(例如年轻与年老、男性与女性)、个体特定的参数和整个种群的参数。GydF4y2Ba

背景GydF4y2Ba

假设你有来自30个个体的药物血药浓度数据，并想估计药代动力学参数，即中央和外周室体积、间隙和室间间隙。假设药物浓度与时间曲线呈双指数下降GydF4y2Ba ${CGydF4y2Ba}_{T.GydF4y2Ba} =GydF4y2Ba 一种GydF4y2Ba {E.GydF4y2Ba}^{-GydF4y2Ba 一种GydF4y2Ba T.GydF4y2Ba} +GydF4y2Ba B.GydF4y2Ba {E.GydF4y2Ba}^{-GydF4y2Ba B.GydF4y2Ba T.GydF4y2Ba}$ ，在哪里GydF4y2Ba ${CGydF4y2Ba}_{T.GydF4y2Ba}$ 是t时刻的药物浓度吗GydF4y2Ba $一种GydF4y2Ba$ 和GydF4y2Ba $B.GydF4y2Ba$ 为相应指数下降的斜率。GydF4y2Ba

加载数据GydF4y2Ba

这一合成数据包含了30个个体在不同时间内的中央室和外周室在一次大剂量(100毫克)后的血浆浓度的时间历程。它也包含分类变量，即GydF4y2Ba性别GydF4y2Ba和GydF4y2Ba年龄GydF4y2Ba．GydF4y2Ba

明确负载(GydF4y2Ba“sd5_302RAgeSex.mat”GydF4y2Ba）GydF4y2Ba

转换为groupedData格式GydF4y2Ba

将数据设置为aGydF4y2Bagroupeddata.GydF4y2Ba对象，它是拟合函数所需的数据格式GydF4y2BaSBIOfit.GydF4y2Ba．一种GydF4y2Bagroupeddata.GydF4y2Ba对象还允许设置独立变量名和组变量名(如果存在的话)。设置的单位GydF4y2BaIDGydF4y2Ba那GydF4y2Ba时间GydF4y2Ba那GydF4y2BaCentralConc.GydF4y2Ba那GydF4y2BaPeripheralConcGydF4y2Ba那GydF4y2Ba年龄GydF4y2Ba，和GydF4y2Ba性别GydF4y2Ba变量。单位是可选的，只需要GydF4y2BaUnitConversionGydF4y2Ba功能，它自动将匹配的物理量转换为一个一致的单元系统。GydF4y2Ba

gData=分组数据（数据）；gData.Properties.VariableUnits={GydF4y2Ba''GydF4y2Ba那GydF4y2Ba'小时'GydF4y2Ba那GydF4y2Ba'毫克/升'GydF4y2Ba那GydF4y2Ba'毫克/升'GydF4y2Ba那GydF4y2Ba''GydF4y2Ba那GydF4y2Ba''GydF4y2Ba};gdata.properties.GydF4y2Ba

ans =.GydF4y2Ba同场的结构：GydF4y2Ba描述:" UserData: [] DimensionNames: {'Row' 'Variables'} VariableNames: {1x6 cell} VariableDescriptions: {} VariableUnits: {1x6 cell} variableccontinuity: [] RowNames: {} CustomProperties: [1x1 matlab.tabular.] "CustomProperties] GroupVariableName: 'ID' IndependentVariableName: '时间'GydF4y2Ba

这GydF4y2Ba独立variablename.GydF4y2Ba和GydF4y2Bagroupvariablename.GydF4y2Ba属性已自动设置为GydF4y2Ba时间GydF4y2Ba和GydF4y2BaIDGydF4y2Ba数据的变量。GydF4y2Ba

可视化数据GydF4y2Ba

显示每个人的响应数据。GydF4y2Ba

t = sbiotrellis (gDataGydF4y2Ba'ID'GydF4y2Ba那GydF4y2Ba'时间'GydF4y2Ba，{GydF4y2Ba'CentralConc'GydF4y2Ba那GydF4y2Ba'peripheralconc'GydF4y2Ba}，GydF4y2Ba．．.GydF4y2Ba“标记”GydF4y2Ba那GydF4y2Ba'+'GydF4y2Ba那GydF4y2Ba'linestyle'GydF4y2Ba那GydF4y2Ba“没有”GydF4y2Ba）;GydF4y2Ba%调整数字大小。GydF4y2Bat.hfig.position（:) = [100 100 1280 800];GydF4y2Ba

设置一个双隔室模型GydF4y2Ba

利用内置的PK库构建两室模型，注射给药，一阶消除，消除率取决于中央室的间隙和体积。使用GydF4y2BaconfigsetGydF4y2Ba对象来打开单位转换。GydF4y2Ba

pkmd = pkmodeldesign;pkc1 = addcompartment（pkmd，GydF4y2Ba“中央”GydF4y2Ba）;pkc1.dosentype =GydF4y2Ba'丸'GydF4y2Ba；pkc1。EliminationType =GydF4y2Ba“线性间隙”GydF4y2Ba；pkc1。HasResponseVariable = true;pkc2 = addCompartment (pkmd,GydF4y2Ba“外围”GydF4y2Ba）;模型=构造(pkmd);configset = getconfigset(模型);configset.CompileOptions.UnitConversion = true;GydF4y2Ba

有关使用Simbiology®内置库创建Compartment PK模型的详细信息，请参阅GydF4y2Ba创建药代动力学模型GydF4y2Ba．GydF4y2Ba

定义剂量GydF4y2Ba

假设每个人接受100毫克的丸剂量在时间= 0。有关设置不同剂量策略的详细信息，请参见GydF4y2Ba在SimBiology模型中剂量GydF4y2Ba．GydF4y2Ba

剂量= sbiodose（GydF4y2Ba'剂量'GydF4y2Ba那GydF4y2Ba“TargetName”GydF4y2Ba那GydF4y2Ba'药物_Central'GydF4y2Ba）;dose.starttime = 0;dose.amount = 100;dose.amountunits =.GydF4y2Ba'毫克'GydF4y2Ba；剂量。时间Units ='小时'GydF4y2Ba；GydF4y2Ba

将响应数据映射到相应的模型组件GydF4y2Ba

数据包括中央和外周室的血浆浓度。将这些变量映射到适当的模型组件GydF4y2BaDrug_CentralGydF4y2Ba和GydF4y2Ba药物纯粹GydF4y2Ba．GydF4y2Ba

Respectemap = {GydF4y2Ba“Drug_Central = CentralConc”GydF4y2Ba那GydF4y2Ba“Drug_Peripheral = PeripheralConc”GydF4y2Ba};GydF4y2Ba

指定估算参数GydF4y2Ba

指定中央和外围隔间的容积GydF4y2Ba中央GydF4y2Ba和GydF4y2Ba外围GydF4y2Ba，交流清关GydF4y2Ba12个GydF4y2Ba和清关GydF4y2Bacl_central.GydF4y2Ba作为参数进行估计。这GydF4y2BaestimatedInfoGydF4y2Ba对象允许您有选择地指定参数转换、初始值和参数边界。因为两个GydF4y2Ba中央GydF4y2Ba和GydF4y2Ba外围GydF4y2Ba受约束为正，为每个参数指定对数转换。GydF4y2Ba

paramstoestimate = {GydF4y2Ba“日志（中央）”GydF4y2Ba那GydF4y2Ba'日志（外围）'GydF4y2Ba那GydF4y2Ba'Q12'GydF4y2Ba那GydF4y2Ba“Cl_Central”GydF4y2Ba};估计日本=估计（paramstoestimate，GydF4y2Ba'初始值'GydF4y2Ba，[1 1 1 1]）;GydF4y2Ba

细化参数估计GydF4y2Ba

通过设置估算每个个人的一组参数GydF4y2Ba“池”GydF4y2Ba名称 - 值对参数GydF4y2Ba错误的GydF4y2Ba．GydF4y2Ba

unpooledFit = sbiofit(模型、gData responseMap estimatedParam,剂量,GydF4y2Ba“池”GydF4y2Ba，错误的）;GydF4y2Ba

显示结果GydF4y2Ba

绘制拟合的结果与每个个人（组）的原始数据相反。GydF4y2Ba

t=曲线图（未拟合）；GydF4y2Ba%调整数字大小。GydF4y2Bat.hfig.position（:) = [100 100 1280 800];GydF4y2Ba

为了一个未被剥削的合适，GydF4y2BaSBIOfit.GydF4y2Ba总是返回为每个单独的一个结果对象。GydF4y2Ba

检查类别相关性的参数估计GydF4y2Ba

查看未冷却的估计值，查看是否存在任何特定于类别的参数，即某些参数是否与一个或多个类别相关。如果存在任何类别依赖关系，则可以通过仅估计这些参数的类别特定值来减少自由度的数量。GydF4y2Ba

先提取ID和类别值对于每个IDGydF4y2Ba

catparamvalues =唯一（gdata（：，{GydF4y2Ba'ID'GydF4y2Ba那GydF4y2Ba“性”GydF4y2Ba那GydF4y2Ba'年龄'GydF4y2Ba}））;GydF4y2Ba

将变量添加到包含每个参数估计的表中。GydF4y2Ba

allParamValues = vertcat (unpooledFit.ParameterEstimates);catParamValues。中央=所有ParamValues.Estimate(strcmp(allParamValues.Name,“中央”GydF4y2Ba));catParamValues。外围=所有ParamValues.Estimate(strcmp(allParamValues.Name,“外围”GydF4y2Ba));catparamvalues.q12 = allparamvalues.Estimate（strcmp（allparamvalues.name，GydF4y2Ba'Q12'GydF4y2Ba));catparamvalues.cl_central = allparamvalues.Estimate（strcmp（allparamvalues.name，GydF4y2Ba“Cl_Central”GydF4y2Ba));GydF4y2Ba

绘制每个类别的每个参数的估计。GydF4y2BagscatterGydF4y2Ba需要统计和机器学习工具箱™。如果您没有，请使用其他替代绘图功能，如GydF4y2Ba阴谋GydF4y2Ba．GydF4y2Ba

h =图;ylabels = {GydF4y2Ba“中央”GydF4y2Ba那GydF4y2Ba“外围”GydF4y2Ba那GydF4y2Ba“Cl \ _Central”GydF4y2Ba那GydF4y2Ba'Q12'GydF4y2Ba};plotNumber = 1;GydF4y2Ba为了GydF4y2Bai = 1：4这个indaram =估计日常（i）.name;GydF4y2Ba%性类图GydF4y2Ba次要情节(4 2 plotNumber);plotNumber = plotNumber + 1;gscatter（双（catParamValues.Sex），catParamValues（thisParam），catParamValues.Sex。）;甘氨胆酸ax =;ax.XTick = [];ylabel (ylabels (i));传奇（GydF4y2Ba'地点'GydF4y2Ba那GydF4y2Ba“最好的方向”GydF4y2Ba）GydF4y2Ba年龄类别的％图GydF4y2Ba次要情节(4 2 plotNumber);plotNumber = plotNumber + 1;gscatter(双(catParamValues.Age), catParamValues。(thisParam) catParamValues.Age);甘氨胆酸ax =;ax.XTick = [];ylabel (ylabels (i));传奇（GydF4y2Ba'地点'GydF4y2Ba那GydF4y2Ba“最好的方向”GydF4y2Ba）GydF4y2Ba结束GydF4y2Ba%调整数字大小。GydF4y2BaH.Position（:) = [100 100 1280 800];GydF4y2Ba

图包含8个轴。轴1包含2个类型的2个物体。这些物体代表女性，男性。轴2包含2个类型的2个物体。这些对象代表旧的，年轻。轴3包含2个类型的线。这些物体代表女性，男性。轴4包含2个类型的型号。这些对象代表旧的，年轻。轴5包含2个类型的类型。 These objects represent Female, Male. Axes 6 contains 2 objects of type line. These objects represent Old, Young. Axes 7 contains 2 objects of type line. These objects represent Female, Male. Axes 8 contains 2 objects of type line. These objects represent Old, Young.

从图中可以看出，年轻人的中央和外围室的体积似乎更大(GydF4y2Ba中央GydF4y2Ba那GydF4y2Ba外围GydF4y2Ba)，而不是老年人(也就是说，体积似乎是针对年龄的)。此外，男性的清除率较高(GydF4y2Bacl_central.GydF4y2Ba)，但Q12参数则相反(即清除和Q12似乎是性别特异性的)。GydF4y2Ba

估计类别特定的参数GydF4y2Ba

使用GydF4y2Ba'categoryvariablename'GydF4y2Ba财产GydF4y2BaestimatedInfoGydF4y2Ba对象指定入时的类别来使用。用GydF4y2Ba“性”GydF4y2Ba作为群体适合清关GydF4y2Bacl_central.GydF4y2Ba和GydF4y2Ba12个GydF4y2Ba参数。用GydF4y2Ba'年龄'GydF4y2Ba作为一组适合GydF4y2Ba中央GydF4y2Ba和GydF4y2Ba外围GydF4y2Ba参数。GydF4y2Ba

estimatedParam(1)。C一种T.E.G或者yV.一种riableName ='年龄'GydF4y2Ba；estimatedParam(2)。C一种T.E.G或者yV.一种riableName ='年龄'GydF4y2Ba；estimatedParam(3)。C一种T.E.G或者yV.一种riableName =“性”GydF4y2Ba；estimatedParam(4)。C一种T.E.G或者yV.一种riableName =“性”GydF4y2Ba；categoryfit = sbiofit（模型，gdata，respectemap，估计日常，剂量）GydF4y2Ba

categoryfit =具有属性的优化验证：EXITFLAG：3输出：[1x1 struct] groupname：[] beta：[8x5表] Parameteralimates：[120x6表] J：[240x8x2双] CoVB：[8x8 Double] CovianCematrix：[8x8 double] r：[240x2双] MSE：0.4362 SSE：205.8690重量：[] loglikelihood：-477.9195 AIC：971.8390 BIC：1.0052E + 03 DFE：472 RepedEntFiles：{1x3 Cell}估计节目：{'Central'外设''''Q12'''cl_central'} errormodelinfo：[1x3表]估计功能：'lsqnonlin'GydF4y2Ba

当由类别（或组）拟合时，GydF4y2BaSBIOfit.GydF4y2Ba始终返回一个结果对象，而不是每个类别级别。这是因为使用相同的误差模型和错误参数被认为是男性和女性个人的一部分，类似于年轻人和旧的人。GydF4y2Ba

绘图结果GydF4y2Ba

绘制特定类别的估计结果。GydF4y2Ba

t = plot（categoryfit）;GydF4y2Ba%调整数字大小。GydF4y2Bat.hfig.position（:) = [100 100 1280 800];GydF4y2Ba

为了GydF4y2Bacl_central.GydF4y2Ba和GydF4y2Ba12个GydF4y2Ba在参数方面，所有雄性都有相同的估计值，雌性也有类似的估计值。对于GydF4y2Ba中央GydF4y2Ba和GydF4y2Ba外围GydF4y2Ba参数，所有年轻人都有相同的估计，同样为旧个人。GydF4y2Ba

估计人口范围广泛的参数GydF4y2Ba

为了更好地比较结果，将模型适合将所有数据汇总在一起，即，通过设置估计所有个人的一组参数GydF4y2Ba“池”GydF4y2Ba名称 - 值对参数GydF4y2Ba真的GydF4y2Ba．警告消息告诉您，该选项将忽略任何特定于类别的信息(如果存在的话)。GydF4y2Ba

pooledFit=sbiofit（模型、gData、反应图、估计参数、剂量、，GydF4y2Ba“池”GydF4y2Ba,真正的);GydF4y2Ba

警告:当使用“Pooled”选项时，estimatedInfo对象的CategoryVariableName属性会被忽略。GydF4y2Ba

绘图结果GydF4y2Ba

绘制拟合结果与原始数据的对比图。虽然为每个个体生成了单独的图，但数据是使用相同的参数集拟合的（即，所有个体具有相同的拟合线）。GydF4y2Ba

t =情节(pooledFit);GydF4y2Ba%调整数字大小。GydF4y2Bat.hfig.position（:) = [100 100 1280 800];GydF4y2Ba

比较残差GydF4y2Ba

比较数据的残差GydF4y2BaCentralConc.GydF4y2Ba和GydF4y2BaPeripheralConcGydF4y2Ba对每一种适合的反应。GydF4y2Ba

t = gdata.time;Allresid（：，：，1）= pooledfit.r;Allresid（：，:,2）= CategoryFit.r;AllresID（：，:,3）= VertCAT（UNPooledFit.r）;h =图;回复= {GydF4y2Ba'CentralConc'GydF4y2Ba那GydF4y2Ba'peripheralconc'GydF4y2Ba};GydF4y2Ba为了GydF4y2BaI = 1:2 subplot(2,1, I);oneResid =挤压(allResid(:,我,:));情节(t, oneResidGydF4y2Ba“o”GydF4y2Ba）;refline (0,0);GydF4y2Ba％参考线表示零残差GydF4y2Ba标题（Sprintf（GydF4y2Ba“残差(% s)”GydF4y2Ba我,responseList {}));包含(GydF4y2Ba'时间'GydF4y2Ba）;ylabel (GydF4y2Ba'残留'GydF4y2Ba）;传奇（{GydF4y2Ba“池”GydF4y2Ba那GydF4y2Ba'特定于类别'GydF4y2Ba那GydF4y2Ba'undooled'GydF4y2Ba}）;GydF4y2Ba结束GydF4y2Ba%调整数字大小。GydF4y2BaH.Position（:) = [100 100 1280 800];GydF4y2Ba

图包含2个轴。带有标题残差（CentralConc）的轴1包含4个类型的线。这些对象表示池化，类别特定的，未删除。带有标题残差（PeripheralConc）的轴2包含4个类型的线。这些对象表示池化，类别特定的，未删除。GydF4y2Ba

如图所示，未加工的拟合产生最适合数据，因为它将数据适合每个人。这是预期的，因为它使用了最多的自由度。通过将数据拟合到两类（性和年龄），类别适合减少自由度的数量。结果，残留物大于未凝固的拟合，但仍然小于人口适合，这估计了所有个人的一组参数。如果在您的数据中存在任何分层模型，则该类别拟合可能是良好的折衷和汇总拟合之间的妥协。GydF4y2Ba

从酵母G蛋白模型中估算参数GydF4y2Ba

打开直播脚本GydF4y2Ba

该实施例使用酵母异质纤维蛋白模型和报告的实验数据GydF4y2Ba[1]GydF4y2Ba．具体型号请参见GydF4y2Ba背景GydF4y2Ba部分GydF4y2Ba酵母异质三聚体G蛋白循环的参数扫描、参数估计和敏感性分析GydF4y2Ba．GydF4y2Ba

加载g蛋白质模型。GydF4y2Ba

sbioloadprojectGydF4y2BaG蛋白GydF4y2Ba

保存含有G蛋白活性组分时间历程的实验数据。GydF4y2Ba

时间= [0 10 30 60 110 210 300 450 600]'GAFRACEXPT = [0 0.35 0.4 0.36 0.39 0.39 0.24 0.17 0.2]';GydF4y2Ba

创建一个GydF4y2Bagroupeddata.GydF4y2Ba以实验数据为基础。GydF4y2Ba

tbl=表格（时间，GaFracExpt）；grpData=分组数据（待定）；GydF4y2Ba

将适当的模型组件映射到实验数据。换句话说，表明模型中的物种对应于数据中的响应变量。在本例中，映射模型参数GydF4y2BaGAFRAC.GydF4y2Ba将实验数据转换为变量GydF4y2BaGAFRACEXPT.GydF4y2Ba从GydF4y2Bagrpdata.GydF4y2Ba．GydF4y2Ba

respectemap =GydF4y2Ba'gafrac = gafracexpt'GydF4y2Ba；GydF4y2Ba

用A.GydF4y2BaestimatedInfoGydF4y2Ba对象来定义模型参数GydF4y2BakGdGydF4y2Ba作为一个待估计的参数。GydF4y2Ba

估计仙人掌=估计info（GydF4y2Ba'kgd'GydF4y2Ba）;GydF4y2Ba

执行参数估计。GydF4y2Ba

fitResult = sbiofit（M1，grpData，responseMap，estimatedParam）;GydF4y2Ba

查看估计的参数值GydF4y2BakGdGydF4y2Ba．GydF4y2Ba

fitResult.ParameterEstimatesGydF4y2Ba

ans =.GydF4y2Ba1×3表GydF4y2Ba名称估计标准符号_______ _____________________ {KGD'} 0.11307 3.4439E-05GydF4y2Ba

假设您希望使用估计的参数值绘制模型仿真结果。你可以重新运行GydF4y2BaSBIOfit.GydF4y2Ba函数并指定返回可选的第二个输出参数，其中包含模拟结果，或使用GydF4y2Ba安装GydF4y2Ba在不重新统一的情况下检索结果的方法GydF4y2BaSBIOfit.GydF4y2Ba．GydF4y2Ba

[yfit, paramEstim] =安装(fitResult);GydF4y2Ba

绘制仿真结果。GydF4y2Ba

sbioplot (yfit);GydF4y2Ba

图中包含一个坐标轴。标题为“状态与时间”的轴包含7个类型为line的对象。这些对象代表G, Gd, Ga, RL, R, Gbg, GaFrac。GydF4y2Ba

估计时间滞后和持续的剂量GydF4y2Ba

打开直播脚本GydF4y2Ba

这个例子展示了如何使用一室模型来估计给药前的时间延迟和给药持续时间。GydF4y2Ba

加载示例数据集。GydF4y2Ba

加载GydF4y2BalagDurationData.matGydF4y2Ba

图数据。GydF4y2Ba

绘图（data.Time、data.Conc、，GydF4y2Ba'X'GydF4y2Ba）xlabel（GydF4y2Ba'时间（小时）'GydF4y2Ba）ylabel（GydF4y2Ba“浓缩的(毫克/升)GydF4y2Ba）GydF4y2Ba

图中包含一个坐标轴。轴包含类型线的对象。GydF4y2Ba

转换为GroupedData。GydF4y2Ba

gData=分组数据（数据）；gData.Properties.VariableUnits={GydF4y2Ba'小时'GydF4y2Ba那GydF4y2Ba'毫克/升'GydF4y2Ba};GydF4y2Ba

创建一个单单元模型。GydF4y2Ba

pkmd = pkmodeldesign;pkc1 = addcompartment（pkmd，GydF4y2Ba“中央”GydF4y2Ba）;pkc1.dosentype =GydF4y2Ba'丸'GydF4y2Ba；pkc1。EliminationType =GydF4y2Ba“线性间隙”GydF4y2Ba；pkc1。HasResponseVariable = true;模型=构造(pkmd);configset = getconfigset(模型);configset.CompileOptions.UnitConversion = true;GydF4y2Ba

添加两个表示时间延迟和剂量持续时间的参数。滞后参数指定给药前的时间滞后。持续时间参数指定给药所需的时间长度。GydF4y2Ba

lagP = addparameter(模型,GydF4y2Ba'lagp'GydF4y2Ba）;lagp.valueunits =.GydF4y2Ba'小时'GydF4y2Ba；durP = addparameter（型号，GydF4y2Ba“达普”GydF4y2Ba）;durP。价值Units ='小时'GydF4y2Ba；GydF4y2Ba

创建剂量对象。设定GydF4y2BaLagParameterNameGydF4y2Ba和GydF4y2BadurationParameTername.GydF4y2Ba分别为滞后和持续时间参数名称的剂量的性质。将剂量量设置为10毫克，该数量是用于生成数据的量。GydF4y2Ba

剂量= sbiodose（GydF4y2Ba'剂量'GydF4y2Ba）;dose.targetname =.GydF4y2Ba'药物_Central'GydF4y2Ba；dose.starttime = 0;dose.amount = 10;dose.amountunits =.GydF4y2Ba'毫克'GydF4y2Ba；剂量。时间Units ='小时'GydF4y2Ba；剂量。LagParameterName =GydF4y2Ba'lagp'GydF4y2Ba；dose.dentyParametername =GydF4y2Ba“达普”GydF4y2Ba；GydF4y2Ba

将模型物种映射到相应的数据。GydF4y2Ba

Respectemap = {GydF4y2Ba'tax central = conc'GydF4y2Ba};GydF4y2Ba

将滞后和持续时间参数指定为估计的参数。记录参数。将它们初始化为2并设置上限和下限。GydF4y2Ba

paramstoestimate = {GydF4y2Ba'log（lagp）'GydF4y2Ba那GydF4y2Ba'log（durp）'GydF4y2Ba};estimatedParams = estimatedInfo（paramsToEstimate，GydF4y2Ba'初始值'GydF4y2Ba2，GydF4y2Ba'界限'GydF4y2Ba[1 5]）;GydF4y2Ba

进行参数估计。GydF4y2Ba

fitresults = sbiofit（模型，gdata，respectemap，估计仙人掌，剂量，GydF4y2Ba“fminsearch”GydF4y2Ba）GydF4y2Ba

fitResults = OptimResults与属性：ExitFlag：1个输出：[1x1的结构]组名：一组测试版：[2×4表] ParameterEstimates：[2×4表：J：[11x2双] COVB：[2×2双] CovarianceMatrix：[2×2双] R：[11×1双] MSE：0.0024 SSE：0.0213重量：[]对数似然：18.7511 AIC：-33.5023 BIC：-32.7065 DFE：9个DependentFiles：{1×2细胞} EstimatedParameterNames：{ 'LAGP' 'durP'} ErrorModelInfo：[1×3表] EstimationFunction： 'fminsearch'GydF4y2Ba

显示结果。GydF4y2Ba

fitResults。ParameterEstimatesGydF4y2Ba

ans =.GydF4y2Ba2×4表GydF4y2Ba名称估计标准符号________ ________ ______________ ___________agp'} 1.986 0.0051568 1 5 {'durp'} 1.527 0.012956 1 5GydF4y2Ba

情节（FITRESULTS）GydF4y2Ba

图中包含一个坐标轴。一组包含2个类型为line的对象。这些对象代表OBS1 (Conc)， PRED1 (Central.Drug_Central)。GydF4y2Ba

输入参数GydF4y2Ba

全部收缩GydF4y2Ba

`smGydF4y2Ba`-GydF4y2BaSimBiology模型GydF4y2Ba
SimBiology模型对象GydF4y2Ba

Simbiology模型，指定为素质学GydF4y2Ba模型对象GydF4y2Ba．活跃GydF4y2Baconfigset对象GydF4y2Ba该模型包含用于仿真的求解器设置。除非另有说明，否则在模拟期间将任何活性剂量和变体应用于模型。另有说明GydF4y2Ba给药GydF4y2Ba和GydF4y2Ba变体GydF4y2Ba分别输入参数。GydF4y2Ba

`grpdata.GydF4y2Ba`-GydF4y2Ba适合数据GydF4y2Ba
groupeddata对象GydF4y2Ba

适合的数据，指定为aGydF4y2Bagroupeddata对象GydF4y2Ba．GydF4y2Ba

必须在中定义时间变量的名称GydF4y2Ba独立variablename.GydF4y2Ba财产GydF4y2Bagrpdata.GydF4y2Ba．例如，如果时间变量名称是GydF4y2Ba'时间'GydF4y2Ba，然后按如下方式指定。GydF4y2Ba

grpData.Properties.IndependentVariableName =GydF4y2Ba'时间'GydF4y2Ba；GydF4y2Ba

如果数据包含多个测量组，则必须在其中定义分组变量名称GydF4y2Bagroupvariablename.GydF4y2Ba财产GydF4y2Bagrpdata.GydF4y2Ba．例如，如果分组变量名是GydF4y2Ba'团体'GydF4y2Ba，然后按如下方式指定。GydF4y2Ba

grpData.Properties.GroupVariableName =GydF4y2Ba'团体'GydF4y2Ba；GydF4y2Ba

一组通常是指代表单个时间过程的一组测量，通常对应于特定个体或实验条件。GydF4y2Ba

笔记GydF4y2Ba

SBIOfit.GydF4y2Ba使用GydF4y2Ba分类GydF4y2Ba函数识别组。如果任何组值转换为相同的值GydF4y2Ba分类GydF4y2Ba，那些观察结果被视为属于同一组。例如，如果某些观察没有组信息（即空字符向量GydF4y2Ba''GydF4y2Ba），然后GydF4y2Ba分类GydF4y2Ba将空字符向量转换为GydF4y2Ba<定义>GydF4y2Ba，这些观察结果被视为一组。GydF4y2Ba

`答复GydF4y2Ba`-GydF4y2Ba将模型组件的信息映射到GydF4y2Ba`grpdata.GydF4y2Ba`
特征向量GydF4y2Ba|GydF4y2Ba字符串GydF4y2Ba|GydF4y2Ba字符串向量GydF4y2Ba|GydF4y2Ba字符向量的单元格数组GydF4y2Ba

将模型组件的信息映射到GydF4y2Bagrpdata.GydF4y2Ba，指定为字符向量，字符串，字符串向量或字符向量的单元格数组。GydF4y2Ba

每个字符向量或字符串是一种等式的表达式，类似于Simbiology中的分配规则。它包含数量（物种，隔间或参数）或一个名称（或合格名称）或GydF4y2Ba可观察到的GydF4y2Ba模型中的对象GydF4y2BasmGydF4y2Ba，其次是角色GydF4y2Ba“=”GydF4y2Ba以及变量的名称GydF4y2Bagrpdata.GydF4y2Ba．为了清楚起见，名称之间允许白板空间GydF4y2Ba“=”GydF4y2Ba．GydF4y2Ba

例如，如果您有集中数据GydF4y2Ba'浓'GydF4y2Ba在GydF4y2Bagrpdata.GydF4y2Ba为一个物种GydF4y2Ba'药物_Central'GydF4y2Ba，您可以如下指定它。GydF4y2Ba

respectemap =GydF4y2Ba'tax central = conc'GydF4y2Ba；GydF4y2Ba

要明确地命名一个物种，请使用限定名称，其中包括隔间的名称。要命名反应作用域参数，请使用反应名称限定参数。GydF4y2Ba

如果模型组件名或GydF4y2Bagrpdata.GydF4y2Ba变量名称不是有效的matlabGydF4y2Ba^®GydF4y2Ba变量名称，按方括号括起来，例如：GydF4y2Ba

respectemap =GydF4y2Ba“[Central 1]。药物=[Central 1 Conc]”GydF4y2Ba；GydF4y2Ba

如果变量名本身包含方括号，则无法在表达式中使用它来定义映射信息。GydF4y2Ba

如果任何（限定）名称匹配相同类型的两个组件，则发出错误。但是，您可以使用与不同类型的两个组件匹配的（限定）名称，并且该功能首先使用给定名称找到物种，然后是栈门，然后是参数。GydF4y2Ba

`估价GydF4y2Ba`-GydF4y2Ba估计参数GydF4y2Ba
`estimatedInfoGydF4y2Ba`目的GydF4y2Ba|GydF4y2Ba向量的GydF4y2Ba`estimatedInfoGydF4y2Ba`对象GydF4y2Ba

估计参数，指定为一个GydF4y2BaEstimatedInfo对象GydF4y2Ba或向量GydF4y2BaestimatedInfoGydF4y2Ba对象，该对象定义模型中估计的参数GydF4y2BasmGydF4y2Ba，以及其他可选信息，如初始估计、转换、绑定约束和类别。金宝app支持转换是GydF4y2Ba日志GydF4y2Ba那GydF4y2Ba分对数GydF4y2Ba，和GydF4y2BaprobitGydF4y2Ba. 有关详细信息，请参阅GydF4y2Ba参数变换GydF4y2Ba．GydF4y2Ba

您可以为所有估计方法指定界限。下限必须小于上限。有关详细信息，请参阅GydF4y2BaboundValuesGydF4y2Ba．GydF4y2Ba

使用时GydF4y2Ba疯狂搜索GydF4y2Ba，则必须为每个估计参数指定有限的转换边界。GydF4y2Ba

使用时GydF4y2Bafminsearch.GydF4y2Ba那GydF4y2BanlinfitGydF4y2Ba,或GydF4y2BafminuncGydF4y2Ba有了界限，目标函数返回GydF4y2BaINF.GydF4y2Ba如果超过界限。当你打开诸如GydF4y2BaFunValCheckGydF4y2Ba，如果在估计期间超出界限，优化可能会出错。如果使用GydF4y2BanlinfitGydF4y2Ba，它可能会报告警告雅可比矩阵是病态的，或者无法估计最终结果是否太接近边界。GydF4y2Ba

如果没有指定GydF4y2Ba汇集GydF4y2Ba名称值对参数，GydF4y2BaSBIOfit.GydF4y2Ba使用GydF4y2Bapategoryvariablename.GydF4y2Ba财产GydF4y2Ba估价GydF4y2Ba要确定是否必须为每个人，组，类别或所有个人估计参数。使用GydF4y2Ba汇集GydF4y2Ba选择覆盖任何GydF4y2Bapategoryvariablename.GydF4y2Ba价值观。有关详细信息GydF4y2Bapategoryvariablename.GydF4y2Ba财产,看到GydF4y2BaEstimatedInfo对象GydF4y2Ba．GydF4y2Ba

笔记GydF4y2Ba

SBIOfit.GydF4y2Ba使用GydF4y2Ba分类GydF4y2Ba函数识别组或类别。如果任何组值转换为相同的值GydF4y2Ba分类GydF4y2Ba，那些观察结果被视为属于同一组。例如，如果某些观察没有组信息（即空字符向量GydF4y2Ba''GydF4y2Ba作为一个组的价值)，然后GydF4y2Ba分类GydF4y2Ba将空字符向量转换为GydF4y2Ba<定义>GydF4y2Ba，这些观察结果被视为一组。GydF4y2Ba

`给药GydF4y2Ba`-GydF4y2Ba给药信息GydF4y2Ba
`[]GydF4y2Ba`|GydF4y2Ba剂量物体的二维矩阵GydF4y2Ba

给药信息，指定为空阵列，或2-D剂量对象的矩阵（GydF4y2Bascheduldose对象GydF4y2Ba或者GydF4y2Ba重复糖对物体GydF4y2Ba)．GydF4y2Ba

如果为空，则在模拟期间不会应用剂量，即使模型具有有效剂量。GydF4y2Ba
如果不是空的，则矩阵必须在输入数据中每组单行或一行。如果它具有单行，则在模拟期间对所有组应用相同的剂量。如果它有多行，则每行应用于单独的组，以与组出现在输入数据中的相同顺序。GydF4y2Ba
允许使用多列，以便可以对每组应用多个剂量对象。列中的所有剂量必须参考模型中的相同成分。例如，同一列中的剂量必须具有相同的剂量目标(GydF4y2BatargetName.GydF4y2Ba)．如果你GydF4y2Ba参数化GydF4y2BaDOSE的任何属性，那么列中的所有剂量都必须具有此属性参数化为同一参数。如果某些组需要比其他组更多的剂量，那么填充默认（虚拟）剂量的矩阵。GydF4y2Ba
默认剂量为所有属性具有默认值，除非GydF4y2Ba姓名GydF4y2Ba财产。创建如下默认剂量。GydF4y2Ba
```
d1 = sbiodose（GydF4y2Ba“d1”GydF4y2Ba）;GydF4y2Ba
```
除了使用手动构建剂量对象GydF4y2BaSBIODOSE.GydF4y2Ba，如果GydF4y2Bagrpdata.GydF4y2Ba有给药信息，你可以使用GydF4y2Ba造成GydF4y2Ba构建剂量的方法。GydF4y2Ba

`functionName.GydF4y2Ba`-GydF4y2Ba估计函数名称GydF4y2Ba
特征向量GydF4y2Ba|GydF4y2Ba字符串GydF4y2Ba

估计函数名，指定为字符向量或字符串。选择如下。GydF4y2Ba

“fminsearch”GydF4y2Ba
“nlinfit”GydF4y2Ba（需要统计和机器学习工具箱。）GydF4y2Ba
“fminunc”GydF4y2Ba（需要优化工具箱。）GydF4y2Ba
'粉丝'GydF4y2Ba（需要优化工具箱。）GydF4y2Ba
'lsqcurvefit'GydF4y2Ba（需要优化工具箱。）GydF4y2Ba
'lsqnonlin'GydF4y2Ba（需要优化工具箱。）GydF4y2Ba
'patternsearch'GydF4y2Ba（GydF4y2Ba全局优化工具箱GydF4y2Ba是必须的。）GydF4y2Ba
“嘎”GydF4y2Ba（GydF4y2Ba全局优化工具箱GydF4y2Ba是必须的。）GydF4y2Ba
'particleswarm'GydF4y2Ba（GydF4y2Ba全局优化工具箱GydF4y2Ba是必须的。）GydF4y2Ba
'scattersearch'GydF4y2Ba

默认情况下，GydF4y2BaSBIOfit.GydF4y2Ba使用以下第一个可用估计功能：GydF4y2BalsqnonlinGydF4y2Ba(优化工具箱)GydF4y2Ba那GydF4y2BanlinfitGydF4y2Ba（统计和机器学习工具箱）GydF4y2Ba,或GydF4y2Bafminsearch.GydF4y2Ba．相同的优先级适用于默认的本地求解器选择GydF4y2Ba疯狂搜索GydF4y2Ba．GydF4y2Ba

有关支持的方法和拟合选项的摘要，请参阅金宝appGydF4y2Ba金宝appSimBiology中支持的参数估计方法GydF4y2Ba．GydF4y2Ba

`选项GydF4y2Ba`-GydF4y2Ba特定于估计功能的选项GydF4y2Ba
塑造GydF4y2Ba|GydF4y2BaOptimoptions对象GydF4y2Ba

特定于估算函数的选项，指定为结构或GydF4y2Ba优化选择GydF4y2Ba对象。GydF4y2Ba

实例化GydF4y2Ba结构GydF4y2BanlinfitGydF4y2Ba
优化集GydF4y2Ba结构GydF4y2Bafminsearch.GydF4y2Ba
优化选择GydF4y2Ba对象GydF4y2BalsqcurvefitGydF4y2Ba那GydF4y2BalsqnonlinGydF4y2Ba那GydF4y2BafminconGydF4y2Ba那GydF4y2BafminuncGydF4y2Ba那GydF4y2Bapartminleswarm.GydF4y2Ba那GydF4y2BaGA.GydF4y2Ba，和GydF4y2BaPatternsearch.GydF4y2Ba
塑造GydF4y2Ba为了GydF4y2Ba疯狂搜索GydF4y2Ba

看见GydF4y2Ba估计算法的默认选项GydF4y2Ba有关与每个估计函数关联的更多详细信息和默认选项。GydF4y2Ba

`变体GydF4y2Ba`-GydF4y2Ba变体GydF4y2Ba
`[]GydF4y2Ba`|GydF4y2Ba变体对象矢量GydF4y2Ba

变量，指定为变量对象的空数组或向量。如果为空，则不使用任何变体，即使模型有活动的变体。GydF4y2Ba

名称值对参数GydF4y2Ba

指定可选的逗号分隔的对GydF4y2Ba名称，价值GydF4y2Ba论点。GydF4y2Ba姓名GydF4y2Ba是参数名称和GydF4y2Ba价值GydF4y2Ba是相应的价值。GydF4y2Ba姓名GydF4y2Ba必须出现在引号内。您可以以任何顺序指定多个名称和值对参数GydF4y2Baname1，value1，...，namen，valuenGydF4y2Ba．GydF4y2Ba

例子：GydF4y2Ba“ErrorModel”、“常数”,“UseParallel”,真的GydF4y2Ba指定一个恒定误差模型，并在参数估计期间并行运行模拟。GydF4y2Ba

`“错误模型”GydF4y2Ba`-GydF4y2Ba错误模型GydF4y2Ba
`“不变”GydF4y2Ba`（默认）|GydF4y2Ba特征向量GydF4y2Ba|GydF4y2Ba字符串GydF4y2Ba|GydF4y2Ba字符串向量GydF4y2Ba|GydF4y2Ba字符向量单元数组GydF4y2Ba|GydF4y2Ba分类载体GydF4y2Ba|GydF4y2Ba桌子GydF4y2Ba

用于估计的错误模型，指定为字符向量，字符串，字符串向量，字符向量，分类向量或表的单元数组。GydF4y2Ba

如果它是一个表，它必须包含一个单个变量，该变量是错误模型名称的列向量。名称可以是字符向量，串向量或分类变量的向量的小区数组。如果表有多行，那么GydF4y2Barownames.GydF4y2Ba属性必须与右侧指定的响应变量名匹配GydF4y2Ba答复GydF4y2Ba．如果表格不使用GydF4y2Barownames.GydF4y2Ba财产，呢GydF4y2BaNGydF4y2Ba错误与GydF4y2BaNGydF4y2Ba回应。GydF4y2Ba

如果您只指定一个错误模型，那么GydF4y2BaSBIOfit.GydF4y2Ba估计所有响应的一组错误参数。GydF4y2Ba

如果使用字符向量，字符号向量或字符向量的单元数组指定多个错误模型，则向量或单元格数组的长度必须与响应的数量匹配GydF4y2Ba答复GydF4y2Ba争论。GydF4y2Ba

只有在使用以下方法时，才能指定多个错误模型:GydF4y2BalsqnonlinGydF4y2Ba那GydF4y2BalsqcurvefitGydF4y2Ba那GydF4y2BafminconGydF4y2Ba那GydF4y2BafminuncGydF4y2Ba那GydF4y2Bafminsearch.GydF4y2Ba那GydF4y2BaPatternsearch.GydF4y2Ba那GydF4y2BaGA.GydF4y2Ba，和GydF4y2Bapartminleswarm.GydF4y2Ba．GydF4y2Ba

有四个内置错误模型。每个模型使用标准平均零和单位方差（高斯）变量定义错误GydF4y2BaE.GydF4y2Ba，仿真结果GydF4y2BaFGydF4y2Ba，以及一个或两个参数GydF4y2Ba一种GydF4y2Ba和GydF4y2BaB.GydF4y2Ba．GydF4y2Ba

“不变”GydF4y2Ba：GydF4y2Ba $yGydF4y2Ba =GydF4y2Ba FGydF4y2Ba +GydF4y2Ba 一种GydF4y2Ba E.GydF4y2Ba$
“比例”GydF4y2Ba：GydF4y2Ba $yGydF4y2Ba =GydF4y2Ba FGydF4y2Ba +GydF4y2Ba B.GydF4y2Ba |GydF4y2Ba FGydF4y2Ba |GydF4y2Ba E.GydF4y2Ba$
“组合”GydF4y2Ba：GydF4y2Ba $yGydF4y2Ba =GydF4y2Ba FGydF4y2Ba +GydF4y2Ba （GydF4y2Ba 一种GydF4y2Ba +GydF4y2Ba B.GydF4y2Ba |GydF4y2Ba FGydF4y2Ba |GydF4y2Ba ）GydF4y2Ba E.GydF4y2Ba$
“指数”GydF4y2Ba：GydF4y2Ba $yGydF4y2Ba =GydF4y2Ba FGydF4y2Ba *GydF4y2Ba 经验值GydF4y2Ba （GydF4y2Ba 一种GydF4y2Ba E.GydF4y2Ba ）GydF4y2Ba$

笔记GydF4y2Ba

如果指定了错误的模型，你不能只是不断的误差模型指定权重。GydF4y2Ba
如果在数据拟合期间使用比例或组合误差模型，则应避免在解决方案(模拟结果)为零或稳态为零时指定数据点。否则，您可能会遇到被零除法的问题。建议您从数据集中删除这些数据点。关于误差参数估计函数的详细信息请参见GydF4y2Ba最大似然估计GydF4y2Ba．GydF4y2Ba

`“重量”GydF4y2Ba`-GydF4y2Ba重量GydF4y2Ba
矩阵GydF4y2Ba|GydF4y2Ba函数处理GydF4y2Ba

用于估计的权重，指定为实际正权重的矩阵，其中列数对应于响应的数量，或接受预测响应值的向量的函数句柄，并返回真实正权重的向量。GydF4y2Ba

如果您指定了一个错误模型，那么除了常量错误模型之外，您不能使用权重。如果既不GydF4y2Ba“错误模型”GydF4y2Ba或者GydF4y2Ba“重量”GydF4y2Ba指定了，默认情况下，函数使用具有相等权重的常数错误模型。GydF4y2Ba

`“池”GydF4y2Ba`-GydF4y2Ba适合选项旗帜GydF4y2Ba
`错误的GydF4y2Ba`（默认）|GydF4y2Ba`真的GydF4y2Ba`

适合选项标志，指定是否适合每个人（GydF4y2Ba错误的GydF4y2Ba)或汇集所有个人资料(GydF4y2Ba真的GydF4y2Ba)．GydF4y2Ba

什么时候GydF4y2Ba真的GydF4y2Ba，该函数使用相同的参数估计来同时对所有个人或组进行拟合，GydF4y2BaFitresults.GydF4y2Ba是标量结果对象。GydF4y2Ba

什么时候GydF4y2Ba错误的GydF4y2Ba，该函数使用组或个人特定的参数分别适合每个组或个人GydF4y2BaFitresults.GydF4y2Ba是结果对象的矢量与每个组的一个结果。GydF4y2Ba

笔记GydF4y2Ba

使用此选项可覆盖任何GydF4y2Bapategoryvariablename.GydF4y2Ba的值GydF4y2Ba估价GydF4y2Ba．GydF4y2Ba

`'使用指平行'GydF4y2Ba`-GydF4y2Ba并行模拟标志GydF4y2Ba
`错误的GydF4y2Ba`（默认）|GydF4y2Ba`真的GydF4y2Ba`

标志以启用并行化，指定为GydF4y2Ba真的GydF4y2Ba或者GydF4y2Ba错误的GydF4y2Ba．如果GydF4y2Ba真的GydF4y2Ba和并行计算工具箱™可用，GydF4y2BaSBIOfit.GydF4y2Ba金宝app支持多个级别的并行化，但一次只使用一个级别。GydF4y2Ba

为了一个未被剥削的合适（GydF4y2Ba“池”GydF4y2Ba=GydF4y2Ba错误的GydF4y2Ba）对于多个组，每个配合都并联运行。GydF4y2Ba

集合健身(GydF4y2Ba“池”GydF4y2Ba=GydF4y2Ba真的GydF4y2Ba），并行化发生在求解器层面。换句话说，求解器计算，例如客观函数评估，并行运行。有关详细信息，请参阅GydF4y2Ba并行多个参数估计GydF4y2Ba．GydF4y2Ba

`“SensitivityAnalysis”GydF4y2Ba`-GydF4y2Ba标志使用参数灵敏度来确定目标函数的梯度GydF4y2Ba
`真的GydF4y2Ba`|GydF4y2Ba`错误的GydF4y2Ba`

标志，使用参数灵敏度来确定目标函数的梯度，指定为GydF4y2Ba真的GydF4y2Ba或者GydF4y2Ba错误的GydF4y2Ba．默认情况下，它是GydF4y2Ba真的GydF4y2Ba为了GydF4y2BafminconGydF4y2Ba那GydF4y2BafminuncGydF4y2Ba那GydF4y2BalsqnonlinGydF4y2Ba，和GydF4y2BalsqcurvefitGydF4y2Ba方法。否则，它是GydF4y2Ba错误的GydF4y2Ba．如果这是真的，SimBiology总是使用GydF4y2Ba日星期日GydF4y2Ba求解器，无论您选择的内容如何GydF4y2Ba索尔弗蒂GydF4y2Ba物业在GydF4y2Baconfigset.GydF4y2Ba对象。GydF4y2Ba

SimBiology使用复杂的步近似方法来计算参数的灵敏度。这样计算出的灵敏度可以被用来确定该目标函数的梯度参数估计过程中提高接头。的默认行为GydF4y2BaSBIOfit.GydF4y2Ba当算法基于梯度时，使用这种灵敏度来确定梯度，如果GydF4y2Ba^®GydF4y2Ba模型支持敏感金宝app性分析。有关模型要求和敏感性分析的详细信息，请参阅GydF4y2Ba偶像生物学的敏感性分析GydF4y2Ba．GydF4y2Ba

`“ProgressPlot”GydF4y2Ba`-GydF4y2Ba标志显示参数估计的进度GydF4y2Ba
`错误的GydF4y2Ba`（默认）|GydF4y2Ba`真的GydF4y2Ba`

标志显示参数估计的进度，指定为GydF4y2Ba真的GydF4y2Ba或者GydF4y2Ba错误的GydF4y2Ba．如果GydF4y2Ba真的GydF4y2Ba，将打开一个新图形，其中包含显示每个迭代的对数似然、终止标准和估计参数的图。控件不支持此选项金宝appGydF4y2BanlinfitGydF4y2Ba方法。GydF4y2Ba

如果您正在使用最优化工具箱函数(GydF4y2BafminuncGydF4y2Ba那GydF4y2BafminconGydF4y2Ba那GydF4y2BalsqcurvefitGydF4y2Ba那GydF4y2BalsqnonlinGydF4y2Ba），该图还显示了GydF4y2Ba一阶最优性GydF4y2Ba(优化工具箱)GydF4y2Ba阴谋。GydF4y2Ba

对于未加工的拟合，地图上的每一行代表一个人。对于汇集的契约，单行代表所有个人。当拟合完成时，该线变得褪色。绘图还记录运行时的进度GydF4y2BaSBIOfit.GydF4y2Ba（对于池化和未加工的配合）并行使用远程群集并行。有关详细信息，请参阅GydF4y2Ba进步情节GydF4y2Ba．GydF4y2Ba

输出参数GydF4y2Ba

全部收缩GydF4y2Ba

`Fitresults.GydF4y2Ba`- 估计结果GydF4y2Ba
`OptimResults对象GydF4y2Ba`|GydF4y2Ba`NLINResults对象GydF4y2Ba`|结果对象矢量GydF4y2Ba

估算结果，作为一个返回GydF4y2BaOptimResults对象GydF4y2Ba或者GydF4y2BaNLINResults对象GydF4y2Ba或这些的矢量对象。两个结果对象都是子类的GydF4y2BaLeastSquaresResults对象GydF4y2Ba．GydF4y2Ba

如果函数使用GydF4y2BanlinfitGydF4y2Ba（统计和机器学习工具箱）GydF4y2Ba，然后GydF4y2BaFitresults.GydF4y2Ba是A.GydF4y2BaNLINResults对象GydF4y2Ba．否则,GydF4y2BaFitresults.GydF4y2Ba是一个GydF4y2BaOptimResults对象GydF4y2Ba．GydF4y2Ba

什么时候GydF4y2Ba“池”GydF4y2Ba被设定为GydF4y2Ba错误的GydF4y2Ba，该函数使用特定于组参数分别适合每个组，以及GydF4y2BaFitresults.GydF4y2Ba是结果对象的矢量与每个组的一个结果对象。GydF4y2Ba

什么时候GydF4y2Ba“池”GydF4y2Ba被设定为GydF4y2Ba真的GydF4y2Ba，该函数使用相同的参数估计来同时对所有个人或组进行拟合，GydF4y2BaFitresults.GydF4y2Ba是标量结果对象。GydF4y2Ba

什么时候GydF4y2Ba“池”GydF4y2Ba不使用，并且GydF4y2Bapategoryvariablename.GydF4y2Ba的值GydF4y2Ba估价GydF4y2Ba都是GydF4y2Ba<一>GydF4y2Ba那GydF4y2BaFitresults.GydF4y2Ba是一个结果对象。这是相同的行为设置GydF4y2Ba“池”GydF4y2Ba到GydF4y2Ba真的GydF4y2Ba．GydF4y2Ba

什么时候GydF4y2Ba“池”GydF4y2Ba不使用，并且GydF4y2Bapategoryvariablename.GydF4y2Ba的值GydF4y2Ba估价GydF4y2Ba都是GydF4y2BaGydF4y2Ba那GydF4y2BaFitresults.GydF4y2Ba结果是对象的矢量。这是相同的行为设置GydF4y2Ba“池”GydF4y2Ba到GydF4y2Ba错误的GydF4y2Ba．GydF4y2Ba

在所有其他情况下，GydF4y2BaFitresults.GydF4y2Ba标量对象是否包含由指定的不同组或类别的估计参数值GydF4y2Bapategoryvariablename.GydF4y2Ba．GydF4y2Ba

`辛迪塔GydF4y2Ba`- 仿真结果GydF4y2Ba
向量的GydF4y2Ba`SimDataGydF4y2Ba`对象GydF4y2Ba

仿真结果，作为向量返回GydF4y2BaSimDataGydF4y2Ba代表每个组或个体的模拟结果的对象。GydF4y2Ba

如果是GydF4y2Ba“池”GydF4y2Ba选择是GydF4y2Ba错误的GydF4y2Ba，然后每个模拟都使用特定于组的参数值。如果GydF4y2Ba真的GydF4y2Ba，则所有模拟使用相同的(整体)参数值。GydF4y2Ba

国家报告GydF4y2Ba辛迪塔GydF4y2Ba是包含在的状态GydF4y2Ba答复GydF4y2Ba输入参数和列出的任何其他国家GydF4y2BaStatestolog.GydF4y2Ba运行时选项的属性（GydF4y2Ba运行时GydF4y2Ba）Simbiology模型GydF4y2BasmGydF4y2Ba．GydF4y2Ba

更多关于GydF4y2Ba

全部收缩GydF4y2Ba

最大似然估计GydF4y2Ba

Simbiology通过最大可能性的方法估计参数。Simbiology构建了相当的最小化问题而不是直接最大化似然函数。尽可能，将估计标配制为加权最小二乘（GydF4y2BaWLS.GydF4y2Ba）优化最小化加权残差的平方和。否则，估计被制定为最小化可能性的对数的最小化（GydF4y2Ba附近GydF4y2Ba)．这GydF4y2BaWLS.GydF4y2Ba配方通常会收敛比GydF4y2Ba附近GydF4y2Ba配方和素质可以利用专业化的GydF4y2BaWLS.GydF4y2Ba算法，如Levenberg-Marquardt算法GydF4y2BalsqnonlinGydF4y2Ba和GydF4y2BalsqcurvefitGydF4y2Ba．素质学用GydF4y2BaWLS.GydF4y2Ba当存在单个错误模型时是常量，比例或指数的。素质学用GydF4y2Ba附近GydF4y2Ba如果您有一个组合错误模型或多个错误模型，也就是说，每个响应都有一个错误模型。GydF4y2Ba

SBIOfit.GydF4y2Ba金宝app支持不同的优化方法，并通过制定GydF4y2BaWLS.GydF4y2Ba或者GydF4y2Ba附近GydF4y2Ba表达到最小化的优化方法。为简单起见，下面所示的每个表达式只假定一个错误模型和一个响应。如果有多个响应，SimBiology将采用对应于给定响应的错误模型的表达式的总和。GydF4y2Ba

	正被最小化表达GydF4y2Ba
加权最小二乘（GydF4y2BaWLS.GydF4y2Ba）GydF4y2Ba	对于恒定的错误模型，GydF4y2Ba ${\sumGydF4y2Ba}_{一世GydF4y2Ba}^{NGydF4y2Ba} {（GydF4y2Ba {yGydF4y2Ba}_{一世GydF4y2Ba} -GydF4y2Ba {FGydF4y2Ba}_{一世GydF4y2Ba} ）GydF4y2Ba}^{2GydF4y2Ba}$
	对于比例误差模型，GydF4y2Ba ${\sumGydF4y2Ba}_{一世GydF4y2Ba}^{NGydF4y2Ba} \frac{{（GydF4y2Ba {yGydF4y2Ba}_{一世GydF4y2Ba} -GydF4y2Ba {FGydF4y2Ba}_{一世GydF4y2Ba} ）GydF4y2Ba}^{2GydF4y2Ba}}{{FGydF4y2Ba}_{一世GydF4y2Ba}^{2GydF4y2Ba} /GydF4y2Ba {FGydF4y2Ba}_{GGydF4y2Ba mGydF4y2Ba}^{2GydF4y2Ba}}$
	对于指数误差模型，GydF4y2Ba ${\sumGydF4y2Ba}_{一世GydF4y2Ba}^{NGydF4y2Ba} {（GydF4y2Ba LN.GydF4y2Ba {yGydF4y2Ba}_{一世GydF4y2Ba} -GydF4y2Ba LN.GydF4y2Ba {FGydF4y2Ba}_{一世GydF4y2Ba} ）GydF4y2Ba}^{2GydF4y2Ba}$
	对于数字重量，GydF4y2Ba ${\sumGydF4y2Ba}_{一世GydF4y2Ba}^{NGydF4y2Ba} \frac{{（GydF4y2Ba {yGydF4y2Ba}_{一世GydF4y2Ba} -GydF4y2Ba {FGydF4y2Ba}_{一世GydF4y2Ba} ）GydF4y2Ba}^{2GydF4y2Ba}}{{W.GydF4y2Ba}_{GGydF4y2Ba mGydF4y2Ba} /GydF4y2Ba {W.GydF4y2Ba}_{一世GydF4y2Ba}}$
负对数似(GydF4y2Ba附近GydF4y2Ba）GydF4y2Ba	对于组合误差模型和多误差模型，GydF4y2Ba ${\sumGydF4y2Ba}_{一世GydF4y2Ba}^{NGydF4y2Ba} \frac{{（GydF4y2Ba {yGydF4y2Ba}_{一世GydF4y2Ba} -GydF4y2Ba {FGydF4y2Ba}_{一世GydF4y2Ba} ）GydF4y2Ba}^{2GydF4y2Ba}}{2GydF4y2Ba {σGydF4y2Ba}_{一世GydF4y2Ba}^{2GydF4y2Ba}} +GydF4y2Ba {\sumGydF4y2Ba}_{一世GydF4y2Ba}^{NGydF4y2Ba} LN.GydF4y2Ba \sqrt{2GydF4y2Ba πGydF4y2Ba {σGydF4y2Ba}_{一世GydF4y2Ba}^{2GydF4y2Ba}}$

变量的定义如下。GydF4y2Ba

NGydF4y2Ba	实验观测数GydF4y2Ba
yGydF4y2Ba_{一世GydF4y2Ba}	这GydF4y2Ba一世GydF4y2Bath实验观察GydF4y2Ba
${FGydF4y2Ba}_{一世GydF4y2Ba}$	的预测值GydF4y2Ba一世GydF4y2Ba观察GydF4y2Ba
${σGydF4y2Ba}_{一世GydF4y2Ba}$	标准差GydF4y2Ba一世GydF4y2Ba观察。GydF4y2Ba 对于恒定的错误模型，GydF4y2Ba ${σGydF4y2Ba}_{一世GydF4y2Ba} =GydF4y2Ba 一种GydF4y2Ba$ 对于比例误差模型，GydF4y2Ba ${σGydF4y2Ba}_{一世GydF4y2Ba} =GydF4y2Ba B.GydF4y2Ba \|GydF4y2Ba {FGydF4y2Ba}_{一世GydF4y2Ba} \|GydF4y2Ba$ 对于组合的错误模型，GydF4y2Ba ${σGydF4y2Ba}_{一世GydF4y2Ba} =GydF4y2Ba 一种GydF4y2Ba +GydF4y2Ba B.GydF4y2Ba \|GydF4y2Ba {FGydF4y2Ba}_{一世GydF4y2Ba} \|GydF4y2Ba$
${FGydF4y2Ba}_{GGydF4y2Ba mGydF4y2Ba}$	${FGydF4y2Ba}_{GGydF4y2Ba mGydF4y2Ba} =GydF4y2Ba {（GydF4y2Ba {\prodGydF4y2Ba}_{一世GydF4y2Ba}^{NGydF4y2Ba} \|GydF4y2Ba {FGydF4y2Ba}_{一世GydF4y2Ba} \|GydF4y2Ba ）GydF4y2Ba}^{\frac{1GydF4y2Ba}{NGydF4y2Ba}}$
${W.GydF4y2Ba}_{一世GydF4y2Ba}$	重量的重量GydF4y2Ba一世GydF4y2Bath预测值GydF4y2Ba
${W.GydF4y2Ba}_{GGydF4y2Ba mGydF4y2Ba}$	${W.GydF4y2Ba}_{GGydF4y2Ba mGydF4y2Ba} =GydF4y2Ba {（GydF4y2Ba {\prodGydF4y2Ba}_{一世GydF4y2Ba}^{NGydF4y2Ba} {W.GydF4y2Ba}_{一世GydF4y2Ba} ）GydF4y2Ba}^{\frac{1GydF4y2Ba}{NGydF4y2Ba}}$

当您使用数字权重或权重函数时，将假定权重与错误的方差成反比，即，GydF4y2Ba ${σGydF4y2Ba}_{一世GydF4y2Ba}^{2GydF4y2Ba} =GydF4y2Ba \frac{{一种GydF4y2Ba}^{2GydF4y2Ba}}{{W.GydF4y2Ba}_{一世GydF4y2Ba}}$ 在哪里GydF4y2Ba一种GydF4y2Ba是常量错误参数。如果使用权重，则无法指定除常量错误模型之外的错误模型。GydF4y2Ba

各种优化方法对被最小化的函数有不同的要求。对于一些方法，模型参数的估计是独立于误差模型参数的估计的。下表总结了误差模型和用于估计误差模型参数的任何单独公式，其中GydF4y2Ba一种GydF4y2Ba和GydF4y2BaB.GydF4y2Ba是错误模型参数和GydF4y2BaE.GydF4y2Ba为标准均值-零和单位方差(高斯)变量。GydF4y2Ba

误差模型GydF4y2Ba	错误参数估计函数GydF4y2Ba
`“不变”GydF4y2Ba`：GydF4y2Ba ${yGydF4y2Ba}_{一世GydF4y2Ba} =GydF4y2Ba {FGydF4y2Ba}_{一世GydF4y2Ba} +GydF4y2Ba 一种GydF4y2Ba E.GydF4y2Ba$	${一种GydF4y2Ba}^{2GydF4y2Ba} =GydF4y2Ba \frac{1GydF4y2Ba}{NGydF4y2Ba} {\sumGydF4y2Ba}_{一世GydF4y2Ba}^{NGydF4y2Ba} {（GydF4y2Ba {yGydF4y2Ba}_{一世GydF4y2Ba} -GydF4y2Ba {FGydF4y2Ba}_{一世GydF4y2Ba} ）GydF4y2Ba}^{2GydF4y2Ba}$
`“指数”GydF4y2Ba`：GydF4y2Ba ${yGydF4y2Ba}_{一世GydF4y2Ba} =GydF4y2Ba {FGydF4y2Ba}_{一世GydF4y2Ba} 经验值GydF4y2Ba （GydF4y2Ba 一种GydF4y2Ba E.GydF4y2Ba ）GydF4y2Ba$	${一种GydF4y2Ba}^{2GydF4y2Ba} =GydF4y2Ba \frac{1GydF4y2Ba}{NGydF4y2Ba} {\sumGydF4y2Ba}_{一世GydF4y2Ba}^{NGydF4y2Ba} {（GydF4y2Ba LN.GydF4y2Ba {yGydF4y2Ba}_{一世GydF4y2Ba} -GydF4y2Ba LN.GydF4y2Ba {FGydF4y2Ba}_{一世GydF4y2Ba} ）GydF4y2Ba}^{2GydF4y2Ba}$
`“比例”GydF4y2Ba`：GydF4y2Ba ${yGydF4y2Ba}_{一世GydF4y2Ba} =GydF4y2Ba {FGydF4y2Ba}_{一世GydF4y2Ba} +GydF4y2Ba B.GydF4y2Ba \|GydF4y2Ba {FGydF4y2Ba}_{一世GydF4y2Ba} \|GydF4y2Ba E.GydF4y2Ba$	${B.GydF4y2Ba}^{2GydF4y2Ba} =GydF4y2Ba \frac{1GydF4y2Ba}{NGydF4y2Ba} {\sumGydF4y2Ba}_{一世GydF4y2Ba}^{NGydF4y2Ba} {（GydF4y2Ba \frac{{yGydF4y2Ba}_{一世GydF4y2Ba} -GydF4y2Ba {FGydF4y2Ba}_{一世GydF4y2Ba}}{{FGydF4y2Ba}_{一世GydF4y2Ba}} ）GydF4y2Ba}^{2GydF4y2Ba}$
`“组合”GydF4y2Ba`：GydF4y2Ba ${yGydF4y2Ba}_{一世GydF4y2Ba} =GydF4y2Ba {FGydF4y2Ba}_{一世GydF4y2Ba} +GydF4y2Ba （GydF4y2Ba 一种GydF4y2Ba +GydF4y2Ba B.GydF4y2Ba \|GydF4y2Ba {FGydF4y2Ba}_{一世GydF4y2Ba} \|GydF4y2Ba ）GydF4y2Ba E.GydF4y2Ba$	错误参数包含在最小化中。GydF4y2Ba
重量GydF4y2Ba	${一种GydF4y2Ba}^{2GydF4y2Ba} =GydF4y2Ba \frac{1GydF4y2Ba}{NGydF4y2Ba} {\sumGydF4y2Ba}_{一世GydF4y2Ba}^{NGydF4y2Ba} {（GydF4y2Ba {yGydF4y2Ba}_{一世GydF4y2Ba} -GydF4y2Ba {FGydF4y2Ba}_{一世GydF4y2Ba} ）GydF4y2Ba}^{2GydF4y2Ba} {W.GydF4y2Ba}_{一世GydF4y2Ba}$

笔记GydF4y2Ba

nlinfitGydF4y2Ba只支持单错金宝app误模型，不支持多错误模型，即响应特定的错误模型。对于组合误差模型，它使用迭代GydF4y2BaWLS.GydF4y2Ba算法。对于其他错误模型，它使用了GydF4y2BaWLS.GydF4y2Ba如前所述的算法。有关详细信息，请参阅GydF4y2BanlinfitGydF4y2Ba（统计和机器学习工具箱）GydF4y2Ba．GydF4y2Ba

估计算法的默认选项GydF4y2Ba

下表总结了各种估计函数的默认选项。GydF4y2Ba

函数GydF4y2Ba 默认选项GydF4y2Ba

nlinfitGydF4y2Ba（统计和机器学习工具箱）GydF4y2Ba

SBIOfit.GydF4y2Ba使用关联的默认选项结构GydF4y2BanlinfitGydF4y2Ba，除了：GydF4y2Ba

funvalcheck ='关'GydF4y2Ba

DerivStep = MAX（EPS ^（1/3），分钟（1E-4，SolverOptions.RelativeTolerance））GydF4y2Ba，在哪里GydF4y2Baleveroptions.GydF4y2Ba属性对应于模型的活动GydF4y2Baconfigset对象GydF4y2Ba．GydF4y2Ba

fminconGydF4y2Ba(优化工具箱)GydF4y2Ba

SBIOfit.GydF4y2Ba使用关联的默认选项结构GydF4y2BafminconGydF4y2Ba，除了：GydF4y2Ba

显示='OFF'GydF4y2Ba

FunctionTolerance = 1E-6 * ABS（F0）GydF4y2Ba，在哪里GydF4y2BaF0.GydF4y2Ba为目标函数的初值。GydF4y2Ba

OptimalityTolerance = 1E-6 * ABS（F0）GydF4y2Ba，在哪里GydF4y2BaF0.GydF4y2Ba为目标函数的初值。GydF4y2Ba

算法='信任区域反光'GydF4y2Ba当GydF4y2Ba“SensitivityAnalysis”GydF4y2Ba是真的,或GydF4y2Ba'内点'GydF4y2Ba当GydF4y2Ba“SensitivityAnalysis”GydF4y2Ba是假的。GydF4y2Ba

FiniteDifferenceStepSize = MAX（EPS ^（1/3），分钟（1E-4，SolverOptions.RelativeTolerance））GydF4y2Ba，在哪里GydF4y2Baleveroptions.GydF4y2Ba属性对应于激活的模型GydF4y2Baconfigset对象GydF4y2Ba．GydF4y2Ba

典型x = 1e-6 * x0GydF4y2Ba，在哪里GydF4y2BaX0.GydF4y2Ba是一系列转换的初始估计数。GydF4y2Ba

fminuncGydF4y2Ba(优化工具箱)GydF4y2Ba

SBIOfit.GydF4y2Ba使用关联的默认选项结构GydF4y2BafminuncGydF4y2Ba，除了：GydF4y2Ba

显示='OFF'GydF4y2Ba

FunctionTolerance = 1E-6 * ABS（F0）GydF4y2Ba，在哪里GydF4y2BaF0.GydF4y2Ba为目标函数的初值。GydF4y2Ba

OptimalityTolerance = 1E-6 * ABS（F0）GydF4y2Ba，在哪里GydF4y2BaF0.GydF4y2Ba为目标函数的初值。GydF4y2Ba

算法='信任区域'GydF4y2Ba当GydF4y2Ba“SensitivityAnalysis”GydF4y2Ba是真的,或GydF4y2Ba“准牛顿”GydF4y2Ba当GydF4y2Ba“SensitivityAnalysis”GydF4y2Ba是假的。GydF4y2Ba

典型x = 1e-6 * x0GydF4y2Ba，在哪里GydF4y2BaX0.GydF4y2Ba是一系列转换的初始估计数。GydF4y2Ba

fminsearch.GydF4y2Ba

SBIOfit.GydF4y2Ba使用关联的默认选项结构GydF4y2Bafminsearch.GydF4y2Ba，除了：GydF4y2Ba

显示='OFF'GydF4y2Ba

托尔芬=1e-6*abs（f0）GydF4y2Ba，在哪里GydF4y2BaF0.GydF4y2Ba为目标函数的初值。GydF4y2Ba

lsqcurvefitGydF4y2Ba(优化工具箱)GydF4y2Ba那GydF4y2BalsqnonlinGydF4y2Ba(优化工具箱)GydF4y2Ba

需要优化工具箱。GydF4y2Ba

SBIOfit.GydF4y2Ba使用关联的默认选项结构GydF4y2BalsqcurvefitGydF4y2Ba和GydF4y2BalsqnonlinGydF4y2Ba，除了：GydF4y2Ba

显示='OFF'GydF4y2Ba

FunctionTolerance = 1 e-6 *规范(f0)GydF4y2Ba，在哪里GydF4y2BaF0.GydF4y2Ba为目标函数的初值。GydF4y2Ba

OptimalalAlytolerance = 1E-6 *常规（F0）GydF4y2Ba，在哪里GydF4y2BaF0.GydF4y2Ba为目标函数的初值。GydF4y2Ba

典型x = 1e-6 * x0GydF4y2Ba，在哪里GydF4y2BaX0.GydF4y2Ba是一系列转换的初始估计数。GydF4y2Ba

Patternsearch.GydF4y2Ba（全局优化工具箱）GydF4y2Ba

要求GydF4y2Ba全局优化工具箱GydF4y2Ba．GydF4y2Ba

SBIOfit.GydF4y2Ba使用默认选项对象（GydF4y2Ba优化选择GydF4y2Ba）有关联GydF4y2BaPatternsearch.GydF4y2Ba，除了：GydF4y2Ba

显示='OFF'GydF4y2Ba

FunctionTolerance = 1E-6 * ABS（F0）GydF4y2Ba，在哪里GydF4y2BaF0.GydF4y2Ba是目标函数的初始值。GydF4y2Ba

啮合公差=1.0e-3GydF4y2Ba

Acceleratemesh = trueGydF4y2Ba

GA.GydF4y2Ba（全局优化工具箱）GydF4y2Ba

要求GydF4y2Ba全局优化工具箱GydF4y2Ba．GydF4y2Ba

SBIOfit.GydF4y2Ba使用默认选项对象（GydF4y2Ba优化选择GydF4y2Ba）有关联GydF4y2BaGA.GydF4y2Ba，除了：GydF4y2Ba

显示='OFF'GydF4y2Ba

FunctionTolerance = 1E-6 * ABS（F0）GydF4y2Ba，在哪里GydF4y2BaF0.GydF4y2Ba为目标函数的初值。GydF4y2Ba

MutationFcn = @mutationadaptfeasibleGydF4y2Ba

partminleswarm.GydF4y2Ba（全局优化工具箱）GydF4y2Ba

需要全局优化工具箱。GydF4y2Ba

SBIOfit.GydF4y2Ba控件使用下列默认选项GydF4y2Bapartminleswarm.GydF4y2Ba算法，除了：GydF4y2Ba

显示='OFF'GydF4y2Ba

FunctionTolerance = 1E-6 * ABS（F0）GydF4y2Ba，在哪里GydF4y2BaF0.GydF4y2Ba为目标函数的初值。GydF4y2Ba

initialswarmspan = 2000或8GydF4y2Ba；GydF4y2Ba2000年GydF4y2Ba对于没有变换的估计参数;GydF4y2Ba8.GydF4y2Ba用于估计参数GydF4y2Ba日志GydF4y2Ba那GydF4y2Ba分对数GydF4y2Ba,或GydF4y2BaprobitGydF4y2Ba变换。GydF4y2Ba

疯狂搜索GydF4y2Ba 看见GydF4y2Ba分散搜索算法GydF4y2Ba．GydF4y2Ba

分散搜索算法GydF4y2Ba

这GydF4y2Ba疯狂搜索GydF4y2Ba方法实现了全局优化算法GydF4y2Ba[2]GydF4y2Ba这解决了动态模型中参数估计的一些挑战，例如对局部最小值的融合。GydF4y2Ba

算法概述GydF4y2Ba

该算法选择来自初始点池的点子集。在该子集中，某些点是质量最好的（即最低功能值），有些则是随机选择的。该算法迭代地评估点并探讨各种解决方案的不同方向，以找到更好的解决方案。金宝搏官方网站在此迭代步骤中，该算法用新的解决方案替换为更好的质量的新解决方案。迭代进行，直到满足任何停止标准。然后它在最佳点上运行本地求解器。GydF4y2Ba

初始化GydF4y2Ba

要启动分散搜索，算法首先决定所需的总点数（GydF4y2Banuminitialpoint.GydF4y2Ba)．默认情况下，总GydF4y2Ba10 *GydF4y2BaNGydF4y2Ba，在哪里GydF4y2BaNGydF4y2Ba为估计参数的个数。它选择GydF4y2Banuminitialpoint.GydF4y2Ba点（行）来自GydF4y2Bainitnpointmatrix.GydF4y2Ba．如果GydF4y2Bainitnpointmatrix.GydF4y2Ba如果没有足够的点，算法将调用中定义的函数GydF4y2BaCreationfcn.GydF4y2Ba生成所需的额外点。默认情况下，Latin HyperCube采样用于生成这些附加点。然后算法选择一个子集GydF4y2BaNumTrialPointsGydF4y2Ba分GydF4y2Banuminitialpoint.GydF4y2Ba点。一小部分（GydF4y2BaFractionInitalbest.GydF4y2Ba)的子集包含在质量方面的最佳点。子集中剩余的点是随机选择的。GydF4y2Ba

迭代步骤GydF4y2Ba

该算法迭代子集中的点，如下所示：GydF4y2Ba

通过使用这些点的相对质量（即功能值）定义每对点周围的超矩形作为创建这些矩形的偏差的量度。GydF4y2Ba
计算每个矩形内的新解。如果新方案性能优于原方案，请更换新方案。GydF4y2Ba
将超越策略应用到改进的解决方案中，发掘有前景的方向，找到更好的解决方案。金宝搏官方网站GydF4y2Ba
每次运行本地搜索GydF4y2BaLocalSearchIntervalGydF4y2Ba迭代。使用GydF4y2BaLocalselectBestProbability.GydF4y2Ba选择最佳点作为局部搜索起点的概率。默认情况下，决策是随机的，从试验点中选择最佳点或随机点的机会是相同的。如果新方案优于旧方案，请使用新方案替换旧方案。GydF4y2Ba
替换任何不能产生任何新的性能更好的解决方案的失速点GydF4y2BaMaxStallTimeGydF4y2Ba与初始集合的另一个点秒。GydF4y2Ba
评估停止标准。如果满足任何标准，请停止迭代。GydF4y2Ba

然后，该算法在看到的最佳点上运行局部解算器。GydF4y2Ba

停止标准GydF4y2Ba

该算法遍历，直到达到停止标准。GydF4y2Ba

停止选择GydF4y2Ba	停止测试GydF4y2Ba
`functiontolerance.GydF4y2Ba`和GydF4y2Ba`MaxStall迭代GydF4y2Ba`	在最后的最佳目标函数值中相对变化GydF4y2Ba`MaxStall迭代GydF4y2Ba`小于GydF4y2Ba`functiontolerance.GydF4y2Ba`．GydF4y2Ba
`MaxIterationsGydF4y2Ba`	迭代次数达到GydF4y2Ba`MaxIterationsGydF4y2Ba`．GydF4y2Ba
`outputfcn.GydF4y2Ba`	`outputfcn.GydF4y2Ba`可以停止迭代。GydF4y2Ba
`Objectivelimit.GydF4y2Ba`	在迭代最好目标函数值小于或等于GydF4y2Ba`Objectivelimit.GydF4y2Ba`．GydF4y2Ba
`MaxStallTimeGydF4y2Ba`	最佳目标函数值在最近一个月内没有变化GydF4y2Ba`MaxStallTimeGydF4y2Ba`秒。GydF4y2Ba
`MaxTime.GydF4y2Ba`	函数运行时间超过GydF4y2Ba`MaxTime.GydF4y2Ba`秒。GydF4y2Ba

算法选项GydF4y2Ba

您使用a创建算法的选项GydF4y2Ba塑造GydF4y2Ba．GydF4y2Ba

选项GydF4y2Ba	描述GydF4y2Ba
`Creationfcn.GydF4y2Ba`	处理创建算法所需的其他要点的函数。默认是字符向量GydF4y2Ba`'汽车'GydF4y2Ba`，它使用拉丁超立方抽样。GydF4y2Ba 函数签名为:GydF4y2Ba`点= CreationFcn（S，N，LB，UB）GydF4y2Ba`，在哪里GydF4y2BaS.GydF4y2Ba是抽样点的总数，GydF4y2BaNGydF4y2Ba为估计参数的个数，GydF4y2Ba磅GydF4y2Ba是下限，和GydF4y2BaUB.GydF4y2Ba是上限。如果函数的任何输出超出边界，这些结果将被截断到边界。GydF4y2Ba
`展示GydF4y2Ba`	返回到命令行的显示级别。GydF4y2Ba `'离开'GydF4y2Ba`或者GydF4y2Ba`“没有”GydF4y2Ba`（默认）显示没有输出。GydF4y2Ba `“通路”GydF4y2Ba`提供迭代显示。GydF4y2Ba `'最终的'GydF4y2Ba`只显示最终输出。GydF4y2Ba
`FractionInitalbest.GydF4y2Ba`	数字标量来自GydF4y2Ba`0.GydF4y2Ba`通过GydF4y2Ba`1GydF4y2Ba`．默认为GydF4y2Ba`0．5GydF4y2Ba`．这个数字的分数GydF4y2Ba`NumTrialPointsGydF4y2Ba`被选为来自的最佳点GydF4y2Ba`numinitialpoint.GydF4y2Ba`点。GydF4y2Ba
`functiontolerance.GydF4y2Ba`	数字标量来自GydF4y2Ba`0.GydF4y2Ba`通过GydF4y2Ba`1GydF4y2Ba`．默认为GydF4y2Ba`1E-6GydF4y2Ba`．如果最佳目标函数值相对于上一个目标函数值发生变化，求解程序将停止GydF4y2Ba`MaxStall迭代GydF4y2Ba`小于GydF4y2Ba`functiontolerance.GydF4y2Ba`．此选项还用于删除重复的本地解决方案。金宝搏官方网站看见GydF4y2Ba`Xtolerance.GydF4y2Ba`有关详细信息。GydF4y2Ba
`initnpointmatrix.GydF4y2Ba`	初始（或部分）点集。GydF4y2BamGydF4y2Ba-经过-GydF4y2BaNGydF4y2Ba实有限矩阵，其中GydF4y2BamGydF4y2Ba是点数和GydF4y2BaNGydF4y2Ba为估计参数的个数。GydF4y2Ba 如果GydF4y2BamGydF4y2Ba`< NumInitialPointsGydF4y2Ba`，然后GydF4y2Ba`疯狂搜索GydF4y2Ba`创建更多点，以便行总行数是GydF4y2Ba`numinitialpoint.GydF4y2Ba`．GydF4y2Ba 如果GydF4y2BamGydF4y2Ba`>小数点GydF4y2Ba`，然后GydF4y2Ba`疯狂搜索GydF4y2Ba`使用第一个GydF4y2Ba`numinitialpoint.GydF4y2Ba`行。GydF4y2Ba 默认值是存储在中的估计参数的初始转换值GydF4y2Ba`InitialTransformedValueGydF4y2Ba`财产GydF4y2Ba`EstimatedInfo对象GydF4y2Ba`，那是，GydF4y2Ba`[estiminfo。InitialTransformedValue]GydF4y2Ba`．GydF4y2Ba
`localOptions.GydF4y2Ba`	本地求解器的选项。它可以是一个GydF4y2Ba`塑造GydF4y2Ba`（创建GydF4y2Ba`优化集GydF4y2Ba`或者GydF4y2Ba`实例化GydF4y2Ba`（统计和机器学习工具箱）GydF4y2Ba或者GydF4y2Ba`优化选择GydF4y2Ba`(优化工具箱)GydF4y2Ba对象，取决于本地求解器。默认是字符向量GydF4y2Ba`'汽车'GydF4y2Ba`，它使用所选解算器的默认选项GydF4y2Ba例外情况GydF4y2Ba. 除这些例外情况外，以下选项还限制了在本地解算器中花费的时间，因为它会被重复调用：GydF4y2Ba `Maxfunevals.GydF4y2Ba`（允许的最大函数评估数）=GydF4y2Ba`300GydF4y2Ba` `麦克斯特GydF4y2Ba`(允许的最大迭代次数)=GydF4y2Ba`200GydF4y2Ba`
`LocalSearchIntervalGydF4y2Ba`	正整数。默认为GydF4y2Ba`10GydF4y2Ba`．这GydF4y2Ba`疯狂搜索GydF4y2Ba`该算法在第一次迭代后将局部求解器应用于其中一个试点，每一次迭代重复一次GydF4y2Ba`LocalSearchIntervalGydF4y2Ba`迭代。GydF4y2Ba
`LocalselectBestProbability.GydF4y2Ba`	数字标量来自GydF4y2Ba`0.GydF4y2Ba`通过GydF4y2Ba`1GydF4y2Ba`．默认为GydF4y2Ba`0．5GydF4y2Ba`. 它是选择最佳点作为局部搜索起点的概率。在其他情况下，随机选择一个试验点。GydF4y2Ba
`LocalsolverGydF4y2Ba`	字符向量或字符串，指定本地求解器的名称。金宝app支持的方法是GydF4y2Ba`“fminsearch”GydF4y2Ba`那GydF4y2Ba`'lsqnonlin'GydF4y2Ba`那GydF4y2Ba`'lsqcurvefit'GydF4y2Ba`那GydF4y2Ba`'粉丝'GydF4y2Ba`那GydF4y2Ba`“fminunc”GydF4y2Ba`那GydF4y2Ba`“nlinfit”GydF4y2Ba`．GydF4y2Ba 使用以下优先级选择默认本地解算器：GydF4y2Ba 如果优化工具箱可用，则求解器可用GydF4y2Ba`lsqnonlinGydF4y2Ba`．GydF4y2Ba 如果可用统计和机器学习工具箱，则求解器是GydF4y2Ba`nlinfitGydF4y2Ba`．GydF4y2Ba 否则，解算器为GydF4y2Ba`fminsearch.GydF4y2Ba`．GydF4y2Ba
`MaxIterationsGydF4y2Ba`	正整数。默认是字符向量GydF4y2Ba`'汽车'GydF4y2Ba`代表GydF4y2Ba`20 *GydF4y2BaNGydF4y2Ba`，在哪里GydF4y2BaNGydF4y2Ba为估计参数的个数。GydF4y2Ba
`MaxStall迭代GydF4y2Ba`	正整数。默认为GydF4y2Ba`50.GydF4y2Ba`．如果最佳目标函数值相对于上一个目标函数值发生相对变化，求解器将停止GydF4y2Ba`MaxStall迭代GydF4y2Ba`迭代率小于GydF4y2Ba`functiontolerance.GydF4y2Ba`．GydF4y2Ba
`MaxStallTimeGydF4y2Ba`	积极的标量。默认为GydF4y2Ba`INF.GydF4y2Ba`．如果GydF4y2Ba`MaxStallTimeGydF4y2Ba`距离上次优化最优目标函数值已经过去几秒了。这里的时间是挂钟时间，而不是处理器周期。GydF4y2Ba
`MaxTime.GydF4y2Ba`	积极的标量。默认为GydF4y2Ba`INF.GydF4y2Ba`．如果GydF4y2Ba`MaxTime.GydF4y2Ba`自搜索开始以来已经通过了秒。这里的时间意味着墙钟时间与处理器周期相反。GydF4y2Ba
`numinitialpoint.GydF4y2Ba`	正整数GydF4y2Ba`> = numtrialpoints.GydF4y2Ba`．求解器产生GydF4y2Ba`numinitialpoint.GydF4y2Ba`选择的试验点的子集之前的点（GydF4y2Ba`NumTrialPointsGydF4y2Ba`）用于后续步骤。默认是字符向量GydF4y2Ba`'汽车'GydF4y2Ba`代表GydF4y2Ba`10 *GydF4y2BaNGydF4y2Ba`，在哪里GydF4y2BaNGydF4y2Ba为估计参数的个数。GydF4y2Ba
`NumTrialPointsGydF4y2Ba`	正整数GydF4y2Ba`> = 2GydF4y2Ba`和GydF4y2Ba`< = NumInitialPointsGydF4y2Ba`．求解器产生GydF4y2Ba`numinitialpoint.GydF4y2Ba`选择试验点子集之前的初始点（GydF4y2Ba`NumTrialPointsGydF4y2Ba`）用于后续步骤。默认是字符向量GydF4y2Ba`'汽车'GydF4y2Ba`，这代表了第一个偶数GydF4y2BaNGydF4y2Ba的GydF4y2Ba ${NGydF4y2Ba}^{2GydF4y2Ba} -GydF4y2Ba NGydF4y2Ba \geqGydF4y2Ba 10GydF4y2Ba *GydF4y2Ba NGydF4y2Ba$ ，在哪里GydF4y2BaNGydF4y2Ba为估计参数的个数。GydF4y2Ba
`Objectivelimit.GydF4y2Ba`	标量。默认为GydF4y2Ba`-inf.GydF4y2Ba`．如果迭代的最佳目标函数值小于或等于，则求解器停止GydF4y2Ba`Objectivelimit.GydF4y2Ba`．GydF4y2Ba
`outputfcn.GydF4y2Ba`	功能句柄或功能手柄阵列。输出功能可以读取迭代数据并停止求解器。默认为GydF4y2Ba`[]GydF4y2Ba`．GydF4y2Ba 输出函数签名为GydF4y2Ba`停止= myfun (optimValues状态)GydF4y2Ba`，在哪里：GydF4y2Ba `停止GydF4y2Ba`是一个逻辑标量。设置GydF4y2Ba`真的GydF4y2Ba`停止求解器。GydF4y2Ba `optimValuesGydF4y2Ba`是一个包含有关审判点与字段的信息的结构。GydF4y2Ba `bestxGydF4y2Ba`是找到的最佳解决方案点，对应于函数值GydF4y2Ba`最好的GydF4y2Ba`．GydF4y2Ba `最好的GydF4y2Ba`是找到的最佳（最低）目标函数值。GydF4y2Ba `迭代GydF4y2Ba`是迭代次数。GydF4y2Ba `medianfvalGydF4y2Ba`是所有当前试验点之间的平均目标函数值。GydF4y2Ba `摊位GydF4y2Ba`自上次变更以来的迭代次数GydF4y2Ba`最好的GydF4y2Ba`．GydF4y2Ba `试验GydF4y2Ba`是当前试验点的矩阵。每行代表一个点，行数等于GydF4y2Ba`NumTrialPointsGydF4y2Ba`．GydF4y2Ba `试用者GydF4y2Ba`是试验点目标函数值的向量。这是一个矩阵GydF4y2Ba`lsqcurvefitGydF4y2Ba`和GydF4y2Ba`lsqnonlinGydF4y2Ba`方法。GydF4y2Ba `状态GydF4y2Ba`是一个字符矢量，给出了当前迭代的状态。GydF4y2Ba `'在里面'GydF4y2Ba`- 求助者没有开始迭代。您的输出函数可以使用此状态打开文件，或为后续迭代设置数据结构或绘图。GydF4y2Ba `“通路”GydF4y2Ba`–解算器正在进行迭代。通常，此状态是输出函数执行其工作的位置。GydF4y2Ba `'完毕'GydF4y2Ba`–解算器达到停止标准。输出函数可以使用此状态进行清理，例如关闭它打开的任何文件。GydF4y2Ba
`Trialstalllimit.GydF4y2Ba`	正整数，具有默认值GydF4y2Ba`22GydF4y2Ba`．如果特定的试验点不会改善GydF4y2Ba`Trialstalllimit.GydF4y2Ba`迭代，它被另一个点替换。GydF4y2Ba
`使用指α.GydF4y2Ba`	逻辑标志以并行计算目标函数。默认为GydF4y2Ba`错误的GydF4y2Ba`．GydF4y2Ba
`Xtolerance.GydF4y2Ba`	数字标量来自GydF4y2Ba`0.GydF4y2Ba`通过GydF4y2Ba`1GydF4y2Ba`．默认为GydF4y2Ba`1E-6GydF4y2Ba`．此选项定义了两点必须接近，以考虑为创建本地解决方案的向量相同。金宝搏官方网站求解器计算一对点之间的距离GydF4y2Ba`规范GydF4y2Ba`，欧几里德距离。如果在其中两个金宝搏官方网站解决方案GydF4y2Ba`Xtolerance.GydF4y2Ba`相互之间的距离，且目标函数值在GydF4y2Ba`functiontolerance.GydF4y2Ba`彼此相同，求解器认为它们相同。如果两个条件都没有满足，则求解器将解决方案报告为不同的解决方案。金宝搏官方网站GydF4y2Ba 获得每个潜在的地方最低限度的报告GydF4y2Ba`Xtolerance.GydF4y2Ba`到GydF4y2Ba`0.GydF4y2Ba`．要收到较少结果的报告，请设置GydF4y2Ba`Xtolerance.GydF4y2Ba`更大的价值。GydF4y2Ba

并行多个参数估计GydF4y2Ba

有两种使用并行计算进行参数估计的方法。GydF4y2Ba

放GydF4y2Ba'使用指平行'GydF4y2Ba真实GydF4y2Ba

启用并行化GydF4y2BaSBIOfit.GydF4y2Ba，设置名称-值对GydF4y2Ba'使用指平行'GydF4y2Ba到GydF4y2Ba真的GydF4y2Ba．该函数支持多个级别的并行化金宝app，但一次只使用一个级别。对于多个组（或个体）的未加工拟合，每个匹配并行运行。如果求解器支持它，则汇总拟合，并行化会发生在求解器层面。金宝app那是，GydF4y2BaSBIOfit.GydF4y2Ba设置相应的估计方法(求解器)的并行选项为真，目标函数的计算并行执行。例如，梯度是并行计算的基于梯度的方法。如果您正在使用没有并行选项的求解器执行与多个组的池匹配，则在优化期间对每个组并行运行模拟(GydF4y2Ba最大似然估计GydF4y2Ba)．GydF4y2Ba

用GydF4y2Ba帕菲尔GydF4y2Ba或者GydF4y2Ba议案GydF4y2Ba

你也可以打电话GydF4y2BaSBIOfit.GydF4y2Ba在A内GydF4y2Ba议案GydF4y2Ba循环或使用GydF4y2Ba帕菲尔GydF4y2Ba在A内GydF4y2Ba为了GydF4y2Ba-loop以并行执行多个参数估计。建议您使用GydF4y2Ba帕菲尔GydF4y2Ba因为这些并行估计是异步运行的。如果一个拟合产生了错误，它不会影响其他的拟合。GydF4y2Ba

如果您试图找到一个全局最小值，您可以使用全局求解器，例如GydF4y2Bapartminleswarm.GydF4y2Ba（全局优化工具箱）GydF4y2Ba或者GydF4y2BaGA.GydF4y2Ba（全局优化工具箱）GydF4y2Ba（GydF4y2Ba全局优化工具箱GydF4y2Ba是必须的）。但是，如果要定义初始条件并并行运行配合，请参阅以下示例，显示如何使用两者GydF4y2Ba议案GydF4y2Ba和GydF4y2Ba帕菲尔GydF4y2Ba．GydF4y2Ba

模型和数据设置GydF4y2Ba

加载g蛋白质模型。GydF4y2Ba

sbioloadprojectGydF4y2BaG蛋白GydF4y2Ba

存储含有Active G蛋白分数的时间课程的实验数据GydF4y2Ba[1]GydF4y2Ba．GydF4y2Ba

时间= [0 10 30 60 110 210 300 450 600]'GAFRACEXPT = [0 0.35 0.4 0.36 0.39 0.39 0.24 0.17 0.2]';GydF4y2Ba

创建一个GydF4y2Bagroupeddata对象GydF4y2Ba根据实验数据。GydF4y2Ba

tbl=表格（时间，GaFracExpt）；grpData=分组数据（待定）；GydF4y2Ba

将适当的模型元素映射到实验数据。GydF4y2Ba

respectemap =GydF4y2Ba'gafrac = gafracexpt'GydF4y2Ba；GydF4y2Ba

指定要估计的参数。GydF4y2Ba

paramToEstimate = {GydF4y2Ba'kgd'GydF4y2Ba};GydF4y2Ba

生成的初始参数值GydF4y2BakGdGydF4y2Ba．GydF4y2Ba

rng(GydF4y2Ba“默认”GydF4y2Ba）;Inival = ABS（Normrnd（0.01,1,10,1））;fitresultpar = [];GydF4y2Ba

并行池设置GydF4y2Ba

使用本地配置文件启动并行池。GydF4y2Ba

poolObj = parpool (GydF4y2Ba“本地”GydF4y2Ba）;GydF4y2Ba

使用“本地”配置文件启动并行池（Parpool）连接到并行池（工人数：6）。GydF4y2Ba

使用GydF4y2Ba帕菲尔GydF4y2Ba(推荐)GydF4y2Ba

首先，定义使用本地功能的函数句柄GydF4y2BaSBIOFITPAR.GydF4y2Ba估计。确保函数GydF4y2BaSBIOFITPAR.GydF4y2Ba在脚本的末尾定义。GydF4y2Ba

optimfun = @(x) sbiofitpar(m1,grpData,responseMap,x);GydF4y2Ba

通过并行执行多个参数估计GydF4y2Ba帕菲尔GydF4y2Ba使用不同的初始参数值。GydF4y2Ba

为了GydF4y2Bai = 1：长度（inival）f（i）f（i）= parfeval（Optimfun，1，Inival（i））;GydF4y2Ba结束GydF4y2BafitResultPar = fetchOutputs (f);GydF4y2Ba

总结每次运行的结果。GydF4y2Ba

allParValues = vertcat (fitResultPar.ParameterEstimates);allParValues。LogLikelihood = [fitResultPar.LogLikelihood] ';allParValues。RunNumber =(1:长度(iniVal)) ';allParValues。姓名=分类（一种L.L.ParValues.Name); allParValues.InitialValue = iniVal;％重新排列列。GydF4y2BaAllparvalues = Allparvalues（：，[5 1 6 2 3 4]）;GydF4y2Ba%按对数似然对行进行排序。GydF4y2Ba排出（Allparvalues，GydF4y2Ba“对数可能性”GydF4y2Ba）GydF4y2Ba

ans =.GydF4y2Ba10×6表GydF4y2BaRunNumber名称与InitialValue估计StandardError的对数似然_________ ____ ____________ ________ _____________ _____________ 9 KGD 3.5884 3.022 0.127 -1.2843 10 KGD 2.7794 2.779 0.029701 -1.2319 3 KGD 2.2488 2.2488 0.096013 -1.0786 2 KGD 1.8439 1.844 0.28825 -0.90104 6 KGD 1.2977 1.2977 0.011344 -0.48209 4 KGD 0.872170.65951 0.003583 0.9279 1 KGD 0.54767 0.54776 0.0020424 1.5323 7 KGD 0.42359 0.42363 0.0024555 2.6097 8 KGD 0.35262 0.35291 0.00065289 3.6098 5 KGD 0.32877 0.32877 0.00042477.0604GydF4y2Ba

定义局部函数GydF4y2BaSBIOFITPAR.GydF4y2Ba使用参数估计使用GydF4y2BaSBIOfit.GydF4y2Ba．GydF4y2Ba

函数GydF4y2Ba/ /初始值/ /初始值GydF4y2Ba'kgd'GydF4y2Ba）;estimatedParam。InitialValue = InitialValue;fitresult = sbiofit(模型、grpData responseMap estimatedParam);GydF4y2Ba结束GydF4y2Ba

使用parforGydF4y2Ba

或者，也可以通过并行执行多个参数估计GydF4y2Ba议案GydF4y2Ba环形。GydF4y2Ba

议案GydF4y2BaI = 1：长度（iniVal）estimatedParam = estimatedInfo（paramToEstimate，GydF4y2Ba'初始值'GydF4y2Ba，inival（i））;fitresulttemp = sbiofit（m1，grpdata，respectemap，估计日常）;fitresultpar = [fitreesultpar; fitreesulttemp];GydF4y2Ba结束GydF4y2Ba

关闭并行池。GydF4y2Ba

删除（poolobj）;GydF4y2Ba

参数估计与混合求解GydF4y2Ba

SBIOfit.GydF4y2Ba金宝app支持全局优化方法，即GydF4y2BaGA.GydF4y2Ba（全局优化工具箱）GydF4y2Ba和GydF4y2Bapartminleswarm.GydF4y2Ba（全局优化工具箱）GydF4y2Ba（GydF4y2Ba全局优化工具箱GydF4y2Ba必需）。为了改进优化结果，这些方法允许您在全局解算器停止后运行混合函数。混合函数使用全局解算器返回的最终点作为其初始点。支持的混合功能包括：金宝appGydF4y2Ba

fminuncGydF4y2Ba(优化工具箱)GydF4y2Ba
fminconGydF4y2Ba(优化工具箱)GydF4y2Ba
Patternsearch.GydF4y2Ba（全局优化工具箱）GydF4y2Ba
fminsearch.GydF4y2Ba

确保您的混合函数接受您的问题约束。也就是说，如果您的参数被束缚，请使用适当的功能（例如GydF4y2BafminconGydF4y2Ba或者GydF4y2BaPatternsearch.GydF4y2Ba）对于受限制的优化。如果没有含义，请使用GydF4y2BafminuncGydF4y2Ba那GydF4y2Bafminsearch.GydF4y2Ba,或GydF4y2BaPatternsearch.GydF4y2Ba．否则,GydF4y2BaSBIOfit.GydF4y2Ba抛出一个错误。GydF4y2Ba

有关所示的示例，请参阅GydF4y2Ba使用sbiofit执行混合优化GydF4y2Ba．GydF4y2Ba

参考文献GydF4y2Ba

[1], t m。那Kitano, H., and Simon, M. (2003). A quantitative characterization of the yeast heterotrimeric G protein cycle. PNAS. 100, 10764–10769.

[2]Gábor，A.和Banga，J.R.（2015）。生物系统动态模型中的鲁棒和有效的参数估计。BMC系统生物学。9:74。GydF4y2Ba

扩展能力GydF4y2Ba

自动并行支持金宝appGydF4y2Ba
使用并行计算工具箱™自动并行运行计算，加速代码。GydF4y2Ba

要并行运行，请设置GydF4y2Ba'使用指平行'GydF4y2Ba到GydF4y2Ba真的GydF4y2Ba．GydF4y2Ba

有关更多信息，请参阅GydF4y2Ba'使用指平行'GydF4y2Ba名称值对参数。GydF4y2Ba

也可以看看GydF4y2Ba

主题GydF4y2Ba

介绍了R2014aGydF4y2Ba

SimBiology文档GydF4y2Ba

金宝app

尝试MATLAB, Si金宝appmulink和其他产品下载188bet金宝搏GydF4y2Ba

立即获得审判GydF4y2Ba

SBIOfit.GydF4y2Ba

句法GydF4y2Ba

描述GydF4y2Ba

例子GydF4y2Ba

将一个隔间模型安装到单个PK配置文件GydF4y2Ba

将两个隔间模型适合多个个人的PK型材GydF4y2Ba

估计多个体的类别特定PK参数GydF4y2Ba

从酵母G蛋白模型中估算参数GydF4y2Ba

估计时间滞后和持续的剂量GydF4y2Ba

输入参数GydF4y2Ba

smGydF4y2Ba-GydF4y2BaSimBiology模型GydF4y2BaSimBiology模型对象GydF4y2Ba

grpdata.GydF4y2Ba-GydF4y2Ba适合数据GydF4y2Bagroupeddata对象GydF4y2Ba

答复GydF4y2Ba-GydF4y2Ba将模型组件的信息映射到GydF4y2Bagrpdata.GydF4y2Ba特征向量GydF4y2Ba|GydF4y2Ba字符串GydF4y2Ba|GydF4y2Ba字符串向量GydF4y2Ba|GydF4y2Ba字符向量的单元格数组GydF4y2Ba

估价GydF4y2Ba-GydF4y2Ba估计参数GydF4y2BaestimatedInfoGydF4y2Ba目的GydF4y2Ba|GydF4y2Ba向量的GydF4y2BaestimatedInfoGydF4y2Ba对象GydF4y2Ba

给药GydF4y2Ba-GydF4y2Ba给药信息GydF4y2Ba[]GydF4y2Ba|GydF4y2Ba剂量物体的二维矩阵GydF4y2Ba

functionName.GydF4y2Ba-GydF4y2Ba估计函数名称GydF4y2Ba特征向量GydF4y2Ba|GydF4y2Ba字符串GydF4y2Ba

选项GydF4y2Ba-GydF4y2Ba特定于估计功能的选项GydF4y2Ba塑造GydF4y2Ba|GydF4y2BaOptimoptions对象GydF4y2Ba

变体GydF4y2Ba-GydF4y2Ba变体GydF4y2Ba[]GydF4y2Ba|GydF4y2Ba变体对象矢量GydF4y2Ba

名称值对参数GydF4y2Ba

“错误模型”GydF4y2Ba-GydF4y2Ba错误模型GydF4y2Ba“不变”GydF4y2Ba（默认）|GydF4y2Ba特征向量GydF4y2Ba|GydF4y2Ba字符串GydF4y2Ba|GydF4y2Ba字符串向量GydF4y2Ba|GydF4y2Ba字符向量单元数组GydF4y2Ba|GydF4y2Ba分类载体GydF4y2Ba|GydF4y2Ba桌子GydF4y2Ba

“重量”GydF4y2Ba-GydF4y2Ba重量GydF4y2Ba矩阵GydF4y2Ba|GydF4y2Ba函数处理GydF4y2Ba

“池”GydF4y2Ba-GydF4y2Ba适合选项旗帜GydF4y2Ba错误的GydF4y2Ba（默认）|GydF4y2Ba真的GydF4y2Ba

'使用指平行'GydF4y2Ba-GydF4y2Ba并行模拟标志GydF4y2Ba错误的GydF4y2Ba（默认）|GydF4y2Ba真的GydF4y2Ba

“SensitivityAnalysis”GydF4y2Ba-GydF4y2Ba标志使用参数灵敏度来确定目标函数的梯度GydF4y2Ba真的GydF4y2Ba|GydF4y2Ba错误的GydF4y2Ba

“ProgressPlot”GydF4y2Ba-GydF4y2Ba标志显示参数估计的进度GydF4y2Ba错误的GydF4y2Ba（默认）|GydF4y2Ba真的GydF4y2Ba

输出参数GydF4y2Ba

Fitresults.GydF4y2Ba- 估计结果GydF4y2BaOptimResults对象GydF4y2Ba|GydF4y2BaNLINResults对象GydF4y2Ba|结果对象矢量GydF4y2Ba

辛迪塔GydF4y2Ba- 仿真结果GydF4y2Ba向量的GydF4y2BaSimDataGydF4y2Ba对象GydF4y2Ba

更多关于GydF4y2Ba

最大似然估计GydF4y2Ba

估计算法的默认选项GydF4y2Ba

分散搜索算法GydF4y2Ba

并行多个参数估计GydF4y2Ba

参数估计与混合求解GydF4y2Ba

参考文献GydF4y2Ba

扩展能力GydF4y2Ba

自动并行支持金宝appGydF4y2Ba使用并行计算工具箱™自动并行运行计算，加速代码。GydF4y2Ba

也可以看看GydF4y2Ba

主题GydF4y2Ba

SimBiology文档GydF4y2Ba

金宝app

尝试MATLAB, Si金宝appmulink和其他产品下载188bet金宝搏GydF4y2Ba

`smGydF4y2Ba`-GydF4y2BaSimBiology模型GydF4y2Ba
SimBiology模型对象GydF4y2Ba

`grpdata.GydF4y2Ba`-GydF4y2Ba适合数据GydF4y2Ba
groupeddata对象GydF4y2Ba

`答复GydF4y2Ba`-GydF4y2Ba将模型组件的信息映射到GydF4y2Ba`grpdata.GydF4y2Ba`
特征向量GydF4y2Ba|GydF4y2Ba字符串GydF4y2Ba|GydF4y2Ba字符串向量GydF4y2Ba|GydF4y2Ba字符向量的单元格数组GydF4y2Ba

`估价GydF4y2Ba`-GydF4y2Ba估计参数GydF4y2Ba
`estimatedInfoGydF4y2Ba`目的GydF4y2Ba|GydF4y2Ba向量的GydF4y2Ba`estimatedInfoGydF4y2Ba`对象GydF4y2Ba

`给药GydF4y2Ba`-GydF4y2Ba给药信息GydF4y2Ba
`[]GydF4y2Ba`|GydF4y2Ba剂量物体的二维矩阵GydF4y2Ba

`functionName.GydF4y2Ba`-GydF4y2Ba估计函数名称GydF4y2Ba
特征向量GydF4y2Ba|GydF4y2Ba字符串GydF4y2Ba

`选项GydF4y2Ba`-GydF4y2Ba特定于估计功能的选项GydF4y2Ba
塑造GydF4y2Ba|GydF4y2BaOptimoptions对象GydF4y2Ba

`变体GydF4y2Ba`-GydF4y2Ba变体GydF4y2Ba
`[]GydF4y2Ba`|GydF4y2Ba变体对象矢量GydF4y2Ba

`“错误模型”GydF4y2Ba`-GydF4y2Ba错误模型GydF4y2Ba
`“不变”GydF4y2Ba`（默认）|GydF4y2Ba特征向量GydF4y2Ba|GydF4y2Ba字符串GydF4y2Ba|GydF4y2Ba字符串向量GydF4y2Ba|GydF4y2Ba字符向量单元数组GydF4y2Ba|GydF4y2Ba分类载体GydF4y2Ba|GydF4y2Ba桌子GydF4y2Ba

`“重量”GydF4y2Ba`-GydF4y2Ba重量GydF4y2Ba
矩阵GydF4y2Ba|GydF4y2Ba函数处理GydF4y2Ba

`“池”GydF4y2Ba`-GydF4y2Ba适合选项旗帜GydF4y2Ba
`错误的GydF4y2Ba`（默认）|GydF4y2Ba`真的GydF4y2Ba`

`'使用指平行'GydF4y2Ba`-GydF4y2Ba并行模拟标志GydF4y2Ba
`错误的GydF4y2Ba`（默认）|GydF4y2Ba`真的GydF4y2Ba`

`“SensitivityAnalysis”GydF4y2Ba`-GydF4y2Ba标志使用参数灵敏度来确定目标函数的梯度GydF4y2Ba
`真的GydF4y2Ba`|GydF4y2Ba`错误的GydF4y2Ba`

`“ProgressPlot”GydF4y2Ba`-GydF4y2Ba标志显示参数估计的进度GydF4y2Ba
`错误的GydF4y2Ba`（默认）|GydF4y2Ba`真的GydF4y2Ba`

`Fitresults.GydF4y2Ba`- 估计结果GydF4y2Ba
`OptimResults对象GydF4y2Ba`|GydF4y2Ba`NLINResults对象GydF4y2Ba`|结果对象矢量GydF4y2Ba

`辛迪塔GydF4y2Ba`- 仿真结果GydF4y2Ba
向量的GydF4y2Ba`SimDataGydF4y2Ba`对象GydF4y2Ba

自动并行支持金宝appGydF4y2Ba
使用并行计算工具箱™自动并行运行计算，加速代码。GydF4y2Ba