7

我有一组数据，绘制时看起来像这样。

http://s12.postimg.org/7ja47a6b1/temp.jpg

我需要使用该命令来确定大致介于和polyfit之间的时间的最佳拟合指数。我还必须将这种指数拟合与简单的线性拟合进行比较。1.72.3

我得到了方程Temp(t) = Temp0 * exp(-(t-t0)/tau)，其中t0是与温度相对应的时间Temp0（我可以选择从哪里开始我的曲线拟合，但它必须限制在大约 1.7 和 2.3 之间的区域）。这是我的尝试。

% Arbitrarily defined starting point
t0 = 1.71;

%Exponential fit
p = polyfit(time, log(Temp), 1)
tau = -1./p(1)
Temp0 = exp(p(2))

tm = 1.8:0.01:2.3;
Temp_t = Temp0*exp(-(tm)/tau);
plot(time, Temp, tm, Temp_t)

figure(2)

%Linear fit
p2 = polyfit(time, Temp, 1);
Temp_p = p2(1)*tm + p2(2);
plot(time, Temp, tm, Temp_p)

我的指数拟合最终看起来像指数拟合. 我的线性拟合看起来像线性拟合。（几乎相同）。我做错了什么？两者的搭配应该如此相似吗？有人告诉我这circshift可能会有所帮助，但在阅读帮助文件后我无法掌握该命令的适用性。

4

4 回答 4

4

事情的表现与您预期的一样。问题是您尝试拟合的函数不是数据的非常好的近似值。观察曲线，曲线的指数部分似乎逐渐趋向于 16 左右的值；但是您使用的函数最终将趋向于 0 的温度。因此，拟合从 22 到 16 的部分将为您提供几乎线性的关系。为了说明这一点，我编写了几行代码，它们与您拥有的数据点大致匹配 - 并显示了不同的函数（一个趋于 0，另一个趋于 16）将如何为您提供非常不同的曲线形状。第一个（您的原始函数）在 T 值 22 和 16 之间几乎是线性的 - 所以它看起来像线性拟合。

我建议您考虑要拟合的函数的“正确”形状——让您选择特定形式的基本物理原理是什么？做到这一点至关重要...

这是代码：

time = linspace(1.5, 2.5, 200);
t0 = 1.7;
t1 = 2.3;
tau = 2.0;

% define three sections of the function:
s1 = find(time < t0);
s2 = find(time >= t0 & time < t1);
s3 = find(time > 2.3);

% compute a shape for the function in each section:
tData(s1) = 28 - 50*(time(s1)-1.5).^2;
tData(s2) = 22*exp(-(time(s2)-t0)/tau);
tData(s3) = tData(s2(end)) + (s3 - s3(1))*12 / numel(s3);

figure
plot(time, tData)

% modify the equation slightly: assume equilibrium temperature is 16
% with a bit of effort one could fit for this as a second parameter
Teq = 16;
tData2 = tData;
tau2 = tau / 8; % decay more strongly to get down to approx the same value by t1
tData2(s2) = (22 - Teq) * exp( - (time(s2) - t0) / tau2) + Teq;
tData2(s3) = tData2(s2(end)) + (s3 - s3(1))*12 / numel(s3);

hold on;
plot(time, tData2, 'r')

这导致以下情节：

在此处输入图像描述

我由此得出结论，您的绘图看起来如此相似的主要原因是您尝试拟合的函数在您选择的域上几乎是线性的 - 不同的函数选择将是更好的匹配。

于 2013-05-27T22:35:08.480 回答
4

正如我在评论中提到的，在对数空间中拟合线性模型与拟合非线性模型（都是最小二乘意义上的）之间存在差异。

统计工具箱中有一个很好的演示来解释这种情况。我正在修改下面的代码：

%# sample data
x = [5.72 4.22 5.72 3.59 5.04 2.66 5.02 3.11 0.13 2.26 ...
     5.39 2.57 1.20 1.82 3.23 5.46 3.15 1.84 0.21 4.29 ...
     4.61 0.36 3.76 1.59 1.87 3.14 2.45 5.36 3.44 3.41]';
y = [2.66 2.91 0.94 4.28 1.76 4.08 1.11 4.33 8.94 5.25 ...
     0.02 3.88 6.43 4.08 4.90 1.33 3.63 5.49 7.23 0.88 ...
     3.08 8.12 1.22 4.24 6.21 5.48 4.89 2.30 4.13 2.17]';

xx = linspace(min(x), max(x), 100);

%# linear regression in log-space
%#           y = p2 * exp(p1*x)
%#   => log(y) = log(p2) + p1*x
p_exp = polyfit(x, log(y), 1);
yy1 = exp(p_exp(2)) .* exp(xx .* p_exp(1));

%# linear regression
p_lin = polyfit(x, y, 1);
yy2 = polyval(p_lin, xx);

%# non-linear regression (using previous result as initial coeff)
f = @(p,x) p(2)*exp(p(1)*x);
p_nonlin = nlinfit(x, y, f, [p_exp(1) exp(p_exp(2))]);
yy3 = f(p_nonlin, xx);

plot(x,y,'o', xx,yy1,'-', xx,yy2,'-', xx,yy3,'-')
legend({'data points','linear in log-space','linear','non-linear'})

回归

于 2013-05-27T20:35:54.030 回答
2

如果我理解正确，您在 polyfit 中使用的变量 time 和 Temp 包含所有值（从 1.5 到 2.5）。因此，您可能希望在计算 polyfit 之前将 time 和 Temp 的值限制为 1.71 到 2.3（现在它正在计算从 1.5 到 2.5 的 polyfit，因此该线与数据点不对齐）。

p = polyfit(time, log(Temp), 1)
于 2013-05-27T17:34:19.063 回答
0

利用

polyfit(x,y,n)

Matlab曲线拟合工具箱中的函数。

于 2013-11-22T21:57:17.850 回答