MATLAB 程式设计曲线拟合与回归分析.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 上圖的曲線為 fminsearch 指令產生的迴歸曲線。 fminsearch 指令是一個使用 Simplex 下坡式搜尋法（Downhill Simplex Search）的最佳化方法，用來找出 errorMeasure1 的極小值，並傳回 theta 的最佳值。 非線性迴歸：使用fminsearch 計算時間 = 0.03 誤差平方和 = 5.337871e-001 上述方法把所有參數全部視為非線性參數。 混成法將上述方法進一步改良，也就是將線性與非線性參數分開，各用不同的方法來處理。 以上例而言，數學模型為： 、 線性參數：最小平方法，即「左除」或「\」 λ1、λ2 非線性參數： Simplex 下坡式搜尋（即 fminsearch） 混成法的好處是 最小平方法能夠在非線性參數固定的情況下，一次找到最好的線性參數的值，因為搜尋空間的維度由 4降為 2最佳化會更有效率。 非線性迴歸：使用混成法 使用上述混成（Hybrid）的方法，函式 errorMeasure1 須改寫成 errorMeasure2 範例10-10： errorMeasure2.m lambda 是非線性參數向量， data 仍是觀察到的資料點，a 是利用最小平方法算出的最佳線性參數向量，傳回的 squareError 仍是總平方誤差 非線性迴歸：使用混成法 function squaredError = errorMeasure2(lambda, data) x = data(:,1); y = data(:,2); A = [exp(lambda(1)*x) exp(lambda(2)*x)]; a = A\y; y2 = a(1)*exp(lambda(1)*x)+a(2)*exp(lambda(2)*x); squaredError = sum((y-y2).^2); 欲用此混成法求出誤差平方和的最小值 範例10-11： nonlinearFit02.m 非線性迴歸：使用混成法 load data.txt lambda0 = [0 0]; tic lambda = fminsearch(@errorMeasure2, lambda0, [], data); fprintf(計算時間 = %g\n, toc); x = data(:, 1); y = data(:, 2); A = [exp(lambda(1)*x) exp(lambda(2)*x)]; a = A\y; y2 = a(1)*exp(lambda(1)*x)+a(2)*exp(lambda(2)*x); plot(x, y, ro, x, y2, b-); legend(Sample data, Regression curve); fprintf(誤差平方和 = %d\n, sum((y-y2).^2)); 此種混成法可以產生較低的誤差平方和，同時所需的計算時間也比較短。 非線性迴歸：使用混成法 計算時間 = 0.02 誤差平方和 = 1.477226e-001 亦可利用變形法（Transformation），將一數學模型轉換成只包含線性參數的模型。 假設一模型為： 取自然對數，可得： ln a及ln b變成線性參數，我們可用“最小平方法”找出其值 範例10-12： transformFit01.m 非線性迴歸：使用變形法 load data2.txt x = data2(:, 1); % 已知資料點的 x 座標 y = data2(:, 2); % 已知資料點的 y 座標 A = [ones(size(x)) x]; a = 4.3282 b =-1.8235 誤差平方和 = 8.744185e-001 非線性迴歸：使用變形法 theta = A\log(y); subplot(2,1,1) plot(x, log(y), o, x, A*theta); xlabel(x); ylabel(ln(y)); title(ln(y) vs. x); legend(Actual value, Predicted value); a = exp(theta(1)) % 辨識得到之參數 b = theta(2) % 辨識得到之參數 y2 = a*exp(b*x); subplot(2,1,2); plot(x, y, o, x, y2); xlabel(x); ylabel(y); legend(Actual value, Predicted value); title(y vs. x);