主要内容

sbioparamestim

进行参数估计

sbioparamestim将在将来的版本中删除。使用sbiofit代替。

统计和机器学习工具箱™，优化工具箱™，和全局优化工具箱建议用于此功能。

语法

[k, result]= sbioparamestim(modelObj, tspan, xtarget, observed_array, estimated_array)
［___) = sbioparamestim (___， observed_array, estimated_array, k0)
［___) = sbioparamestim (___， observed_array, estimated_array, k0, method)

参数

k 估计参数值的向量。适用于所有优化方法“fminsearch”时，参数被约束为大于或等于0。
结果 结构，其中的字段提供关于优化进度的信息。
modelObj

SimBiology®模型对象。
tspan n-by-1向量，表示目标数据的时间跨度xtarget．
xtarget

n——- - - - - -米矩阵,n是多少次采样和米模拟期间要匹配的状态数。行数xtarget必须等于行数tspan．
observed_array

下列任何一项:

  • 中的对象数组(物种、隔间或非常量参数)modelObj，在估计过程中需要匹配其值

  • 单元数组的字符向量或字符串向量，包含对象的名称(物种，隔间，或非常量参数)modelObj，在估计过程中需要匹配其值

请注意

如果任何种类或参数存在重复名称，请通过指定对象数组或限定名称的单元格数组来确保没有歧义，例如compartmentName.speciesName或reactionName.parameterName．例如，对于一个叫做sp1那是在一个叫做comp2，限定名为comp2.sp1．

的长度observed_array必须等于里面的列数xtarget．sbioparamestim假设元素的顺序observed_array和里面的列的顺序一样吗xtarget．
estimated_array

下列任何一项:

  • 中对象(隔间、种类或参数)的数组modelObj应该估计谁的初始值

  • 单元数组的字符向量或字符串向量，包含对象的名称(隔间，物种，或参数)modelObj应该估计谁的初始值

请注意

如果存在任何分隔、物种或参数的重复名称，请通过指定对象数组或限定名称的单元格数组来确保没有歧义，例如compartmentName.speciesName或reactionName.parameterName．例如，对于名为param1作用范围为一个反应命名reaction1，限定名为reaction1.param1．
k0 包含要估计的区室、物种或参数的初始值的数字向量。的长度k0必须等于estimated_array．如果您没有指定k0，或指定一个空向量k0,然后sbioparamestim获取的隔间、种类或参数的初始值modelObj，或者，如果有主动变异，sbioparamestim使用活动变量中指定的任何初始值。关于变体的详细信息请参见不同的对象．
方法

在估计过程中使用的优化算法，由以下任意一个指定:

  • 指定下列函数之一的字符向量(或字符串):

    • “fminsearch”

    • “lsqcurvefit”

    • “lsqnonlin”

    • “fmincon”

    • “patternsearch”

    • “patternsearch_hybrid”

    • “遗传算法”

    • “ga_hybrid”

    • “particleswarm”

    • “particleswarm_hybrid”

    有关如何sbioparamestim使用前面的函数，请参见功能描述表格

  • 双元素单元格数组，第一个元素是前面的函数之一，第二个元素是一个选项结构或对象。为下面列出的每个方法使用适当的选项结构或对象。

    方法 结构或对象
    “fminsearch” optimset

    “fmincon”

    “lsqcurvefit”

    “lsqnonlin”

    “particleswarm”

    “particleswarm_hybrid”

    “patternsearch”

    “patternsearch_hybrid”

    “遗传算法”

    “ga_hybrid”

    		 optimoptions

    提示

    使用双元素单元格数组为优化算法提供自己的选项结构。

    如果您有并行计算工具箱™，您可以通过以下方式启用并行计算以更快地进行数据拟合:

    1. 打开MATLAB®工人池:

      parpool

    2. 设置名称-值对参数“UseParallel”来真正的在选项结构或对象中。

功能描述

函数 描述
fminsearch

sbioparamestim的关联的默认选项结构fminsearch，除了:

Display = 'off'
TolFun = 1e-6*(目标函数初值)

请注意

“fminsearch”是一种无约束优化方法，可能导致参数为负值。
lsqcurvefit

需要优化工具箱。

sbioparamestim的关联的默认选项结构lsqcurvefit，除了:

Display = 'off'
FiniteDifferenceStepSize =的值SolverOptions。RelativeTolerance属性关联的配置集modelObj的最小值eps ^ (1/3)
功能公差= 1e-6*(目标函数初值)
TypicalX = 1e-6*(待估部件初值)
lsqnonlin

需要优化工具箱。

sbioparamestim的关联的默认选项结构lsqnonlin，除了:

Display = 'off'
FiniteDifferenceStepSize =的值SolverOptions。RelativeTolerance属性关联的配置集modelObj的最小值eps ^ (1/3)
功能公差= 1e-6*(目标函数初值)
TypicalX = 1e-6*(待估部件初值)
fmincon

需要优化工具箱。

sbioparamestim的关联的默认选项结构fmincon，除了:

算法= '内点'
Display = 'off'
FiniteDifferenceStepSize =的值SolverOptions。RelativeTolerance属性关联的配置集modelObj的最小值eps ^ (1/3)
功能公差= 1e-6*(目标函数初值)
TypicalX = 1e-6*(待估部件初值)
patternsearch

需要全局优化工具箱．

sbioparamestim的关联的默认选项结构patternsearch，除了:

Display = 'off'
功能公差= 1e-6*(目标函数初值)
MeshTolerance = 1.0e-3
AccelerateMesh = true
patternsearch_hybrid

需要全局优化工具箱．

sbioparamestim调用patternsearch函数带有附加选项SearchMethod = {@searchlhs,10,15}．此选项添加了一个使用拉丁超立方采样的额外搜索步骤。

的sbioparamestim函数使用关联的默认选项结构patternsearch，除了:

Display = 'off'
功能公差= 1e-6*(目标函数初值)
MeshTolerance = 1.0e-3
AccelerateMesh = true
SearchMethod = {@searchlhs,10,15}
遗传算法

需要全局优化工具箱．

sbioparamestim的关联的默认选项结构遗传算法，除了:

Display = 'off'
功能公差= 1e-6*(目标函数初值)
PopulationSize = 10
代数= 30
MutationFcn = @ mutationadaptviable
ga_hybrid

需要全局优化工具箱．

sbioparamestim调用遗传算法函数带有附加选项HybridFcn = {@fmincon, fminopt},在那里fminopt默认选项是否相同sbioparamestim用途fmincon．该选项会在遗传算法步骤结束后导致额外的基于梯度的最小化。

的sbioparamestim函数使用关联的默认选项结构遗传算法，除了:

Display = 'off'
功能公差= 1e-6*(目标函数初值)
PopulationSize = 10
代数= 30
MutationFcn = @ mutationadaptviable
HybridFcn = {@fmincon，fmincon的名称/值对结构｝
particleswarm

需要全局优化工具箱．

sbioparamestim使用以下默认选项particleswarm(全局优化工具箱)，除了:
Display = 'off';FunctionTolerance = 1e-6*[初始目标函数值]SwarmSize = 10;MaxIter = 30;
particleswarm_hybrid

需要全局优化工具箱．

sbioparamestim调用particleswarm函数带有附加选项HybridFcn = {@objFcn, options}．目标函数，objFcn，是其中一个受支持的函数:金宝apppatternsearch，fminsearch，fminunc,或fmincon．选项是这些函数及其值的选项结构。

Display = 'off';FunctionTolerance = 1e-6*[初始目标函数值]SwarmSize = 10;MaxIter = 30;HybridFcn = {@fmincon， [Fmincon选项，如上所述]}

请注意

sbioparamestim不支持设置金宝app矢量化选项“上”在支持此选项的算法中。金宝app

描述

[k, result]= sbioparamestim(modelObj，tspan，xtarget，observed_array，estimated_array）的初始值，物种和参数modelObj中指定的SimBiology模型对象estimated_array，以匹配所给出的物种和非常数参数的值observed_array对于目标状态，xtarget，其时间变化由时间跨度给出tspan．如果已安装“优化工具箱”，sbioparamestim使用lsqnonlin(优化工具箱)函数作为参数估计的默认方法。如果未安装“优化工具箱”，sbioparamestim使用MATLAB函数fminsearch作为参数估计的默认方法。

［___) = sbioparamestim (___，observed_array，estimated_array，k0）中列出的分隔区、种类和参数的初始值estimated_array．

［___) = sbioparamestim (___，observed_array，estimated_array，k0，方法）指定要使用的优化方法。

例子

给定一个模型和一些目标数据，在不显式指定任何初始值的情况下估计其所有参数:

  1. 从项目中加载模型，gprotein_norules.sbproj．该项目包含两个模型，一个用于野生型应变(存储在变量中)m1)和一个突变株(存储在变量平方米)．加载野生型菌株的G蛋白模型。

    sbioloadprojectgprotein_norulesm1；

  2. 将目标数据存储在一个变量中:

    Gt = 10000;Tspan = [0 10 30 60 110 210 300 450 600]';Ga_frac = [0 0.35 0.4 0.36 0.39 0.33 0.24 0.17 0.2]';xtarget = Ga_frac * Gt;

  3. 将所有模型参数存储在一个数组中:

    P_array = sbioselect(m1，“类型”，“参数”）;

  4. 存储与目标匹配的物种:

    Ga = sbioselect(m1，“类型”，“物种”，“名字”，“遗传算法”）;在本例中，只选择了一个物种。%匹配多个目标物种数据%替换为所选物种数组。

  5. 参数估计:

    [k, result] = sbioparamestim(m1, tspan, xtarget, Ga, p_array)
    K = 0.0100 0.0000 0.0004 4.0000 0.0040 1.0000 0.0000 0.1100 result = fval: 1.4193e+06 residual: [9x1 double] exitflag: 2 iterations: 2 funccount: 27 algorithm: 'trust-region-reflective' message: [1x413 char]

中指定的估算参数p_array对于物种遗传算法使用不同的算法。

[k1,r1] = sbioparamestim(m1,tspan,xtarget,Ga,p_array，.．.{},“fmincon”）;[k2,r2] = sbioparamestim(m1,tspan,xtarget,Ga,p_array，.．.{},“patternsearch”）;[k3,r3] = sbioparamestim(m1,tspan,xtarget,Ga,p_array，.．.{},“遗传算法”）;[k4,r4] = sbioparamestim(m1,tspan,xtarget,Ga,p_array，.．.{},“particleswarm”）;

中指定的估算参数p_array对于物种遗传算法，并将默认优化选项更改为使用用户指定的选项。

Myopt1 = optimoptions(“显示”，“通路”）;[k1,r1] = sbioparamestim(m1,tspan,xtarget，.．.Ga、p_array {}, {“fmincon”, myopt1});Myopt2 = optimoptions(“MeshTolerance”, 1.0的军医);[k2,r2] = sbioparamestim(m1,tspan,xtarget，.．.Ga、p_array {}, {“patternsearch”, myopt2});Myopt3 = optimoptions(“PopulationSize”25岁的“代”10);[k3,r3] = sbioparamestim(m1,tspan,xtarget，.．.Ga、p_array {}, {“遗传算法”, myopt3});Myopt4 = optimoptions(“particleswarm”，“显示”，“通路”）;[k4,r4] = sbioparamestim(m1,tspan,xtarget,Ga,p_array，{}，{“particleswarm”, myopt4});

算法

sbioparamestim通过尽量减少模拟结果和拟合数据之间的差异来估计参数。最小化使用以下优化算法之一:fminsearch(从MATLAB);lsqcurvefit，lsqnonlinfit,或fmincon(从优化工具箱);或patternsearch或遗传算法(从全局优化工具箱)．所有的优化方法都需要一个目标函数作为输入。该目标函数将参数值向量作为输入，并返回模拟和数据之间差异的估计值。当使用lsqcurvefit或lsqnonlinfit作为优化方法，该目标函数返回残差向量。对于其他优化方法，目标函数返回残差的2范数。

参考文献

[1] Yi, T-M。，Kitano, H., and Simon, M.I. (2003) A quantitative characterization of the yeast heterotrimeric G protein cycle. PNASOne hundred., 10764 - 10769。

版本历史

在R2006a中引入

另请参阅

|