Extrapolation nichtlinearer Daten in matlab

Wie die extrapolation folgende Daten für 850 und oben in matlab?

x =  200.0000  205.0000  210.0000  215.0000  220.0000  225.0000  230.0000  235.0000  240.0000 245.0000  250.0000  255.0000  260.0000  265.0000  270.0000  275.0000  280.0000  285.0000 290.0000  295.0000  300.0000  305.0000  310.0000  315.0000  320.0000  330.0000  340.0000 350.0000  360.0000  370.0000  380.0000  390.0000  400.0000  410.0000  420.0000  430.0000 440.0000  450.0000  460.0000  470.0000  480.0000  490.0000  500.0000  510.0000  520.0000 530.0000  540.0000  550.0000  560.0000  570.0000  580.0000  590.0000  600.0000  620.0000 640.0000  660.0000  680.0000  700.0000  750.0000  800.0000

y =  0.8900    0.8600    0.8400    0.8200    0.8000    0.7900    0.7700    0.7500    0.7400   0.7200    0.7100    0.6900    0.6800    0.6700    0.6500    0.6400    0.6300    0.6200   0.6100    0.6000    0.5900    0.5800    0.5700    0.5600    0.5500    0.5400    0.5200   0.5100    0.4900    0.4800    0.4700    0.4500    0.4400    0.4300    0.4200    0.4100   0.4000    0.3900    0.3900    0.3800    0.3700    0.3600    0.3600    0.3500    0.3400   0.3400    0.3300    0.3200    0.3200    0.3100    0.3100    0.3000    0.3000    0.2900   0.2800    0.2700    0.2600    0.2600    0.2400    0.2200
  • Ich würde sagen, Sie haben, um es zu passen in eine Art von Form und dann wird es leicht sein, einen beliebigen anderen Punkt der Kurve. Werfen Sie einen Blick auf fit Methode.
InformationsquelleAutor nsy | 2013-09-07
  1. 4

    Wenn Sie Grundstück log(y) vs log(x) Sie werden sehen, Sie Folgen einer linearen Beziehung. So können wir tun:

    x =  [200.0000  205.0000  210.0000  215.0000  220.0000  225.0000  230.0000  235.0000  240.0000 245.0000  250.0000  255.0000  260.0000  265.0000  270.0000  275.0000  280.0000  285.0000 290.0000  295.0000  300.0000  305.0000  310.0000  315.0000  320.0000  330.0000  340.0000 350.0000  360.0000  370.0000  380.0000  390.0000  400.0000  410.0000  420.0000  430.0000 440.0000  450.0000  460.0000  470.0000  480.0000  490.0000  500.0000  510.0000  520.0000 530.0000  540.0000  550.0000  560.0000  570.0000  580.0000  590.0000  600.0000  620.0000 640.0000  660.0000  680.0000  700.0000  750.0000  800.0000];
y =  [0.8900    0.8600    0.8400    0.8200    0.8000    0.7900    0.7700    0.7500    0.7400   0.7200    0.7100    0.6900    0.6800    0.6700    0.6500    0.6400    0.6300    0.6200   0.6100    0.6000    0.5900    0.5800    0.5700    0.5600    0.5500    0.5400    0.5200   0.5100    0.4900    0.4800    0.4700    0.4500    0.4400    0.4300    0.4200    0.4100   0.4000    0.3900    0.3900    0.3800    0.3700    0.3600    0.3600    0.3500    0.3400   0.3400    0.3300    0.3200    0.3200    0.3100    0.3100    0.3000    0.3000    0.2900   0.2800    0.2700    0.2600    0.2600    0.2400    0.2200];

coeff = polyfit(-log10(x) , log10(y), 1)   % the '1' means linear
xp = [200:1000];
yp = 10^coeff(2)*xp.^(-coeff(1));
plot(x,y,'o',xp,yp)

    Und Sie erhalten:

    Extrapolation nichtlinearer Daten in matlab

    InformationsquelleAutor elyase
  2. 3

    Ich versuche, mit der oben genannten Funktion für meine eigene Kurve, die ich wannt weiter auszubauen , aber vor ein Problem.
    Ich bin neu hier im slm-toolbox. bitte vorschlagen, wie man diesen Fehler vermeiden
    die Zeit 1 ist die x-Achse, variable-array mit Werte-Bereich: 9.8682 e-05 9.8687 e-05Extrapolation nichtlinearer Daten in matlab

    Ich würde Kommentar über die Gefahren der extrapolation. Niemand hat je gesagt, es besser als Mark Twain, Leben auf dem Mississippi, hier. Extrapolieren zu weit, und erwarten, dass zufällige Müll wie eine Vorhersage.

    Having said that, es gibt viele tools, die man nutzen könnte. Sie tun könnten, einen exponentiellen fit der einige ilk. Das problem hier ist, müssen Sie ein Modell finden, mit der richtigen Form. Das dauert oft einige Experimente, um etwas zu finden, das passt Ihre Daten, wenn Sie nicht bereits über ein physikalisches Modell, das Sinn macht, aus ersten Prinzipien.

    Besser ist ein spline-Modell, aber das problem ist eine interpolierende spline extrapoliert schlecht. Also meine Empfehlung ist, verwenden Sie ein tool wie SLM, dann bauen in Ihrem wissen, was kann/soll passieren, in der region der extrapolation.

    Hier habe ich einige Vermutungen zu angemessenen Eigenschaften der Kurve wie Sie ist extrapoliert aus ziemlich weit. Ich habe verhängte eine monoton abnehmende Einschränkung über die gesamte Kurve mit einem positiven zweiten Ableitungen. Wie gut, das Rechte Ende zeigen war nicht erlaubt, liegen unter null. 

    mdl = slmengine(x,y,'knots',[200:100:800,1000:500:2000],... 
   'decreasing','on','concaveup','on','rightminvalue',0,'plot','on');

    Extrapolation nichtlinearer Daten in matlab

    InformationsquelleAutor
Schreibe einen Kommentar