Wie fit einer Kurve zu einer gedämpften Sinus-Welle in matlab

Habe ich einige Messungen gemacht, und Es sollte eine gedämpfte Sinus-Welle, aber ich kann nicht finden alle Informationen auf, wie man (falls möglich) eine gut gedämpfte Sinus-Welle mit Matlab curve fitting tool.

Hier ist, was ich mit einem "Smoothing spline":

Bild http://s21.postimg.org/yznumla1h/damped.png.

Bearbeiten 1:
Hier ist, was ich habe mit dem "custom equation" option:

Wie fit einer Kurve zu einer gedämpften Sinus-Welle in matlab

Edit 2:
Ich habe hochgeladen die Daten zu pastebin im csv-format, wobei die erste Spalte die amplitude und die zweite ist die Zeit.

InformationsquelleAutor SadStudent | 2013-04-19
  1. 1

    Die gedämpfte sin-Funktion erstellt werden können, verwenden Sie den folgenden code:

    f=f*2*pi;
t=0:.001:1;
y=A*sin(f*t + phi).*exp(-a*t);

plot(t,y);
axis([0 1 -2.2 2.2]);

    Nun kann man mit "cftool" von matlab und laden Sie Ihre Daten legen Sie dann die Gleichung-Typ auf Benutzerdefiniert, und geben Sie die Formel für die gedämpfte sin-Funktion. Hier können Sie sehen, was ich bisher gefunden...

    Wie fit einer Kurve zu einer gedämpften Sinus-Welle in matlab

    Ich denke, dass die Verteilung der Daten macht es schwer sich für das passende tool zu tun, eine gute Passform. Vielleicht braucht es mehr Daten oder mehr verteilte Daten. Darüber hinaus gibt es weitere tools und Methoden, wie zum Beispiel check das jetzt: docstoc.com/docs/74524947/Mathcad-Damped-sine-fit-mcd

    Für alle diese Methoden, die tatsächlich versuchen, zu suchen und zu finden, der einem lokalen optimum (für jede Armatur Parameter), die wichtigste ist die erste Bedingung. Ich glaube, wenn Sie wählen Sie ein gutes Anfangszustand (initial guess), das fitting-tool funktioniert gut.

    Glück

    • Ich weiß, wie ich manuell erstellen, einige Allgemeine damped sine ich will nur cftool zu finden Konstanten, die passen mir... ich habe versucht mit der custom equation-option, aber es funktionierte nicht gut für mich, aber vielleicht mache ich es falsch sehen, Bearbeiten bitte
    • Ich denke, mit diesem Ergebnis die Passform wird zeigen ein großes Ergebnis, reduzieren Sie die Dämpfung-Verhältnis. Was ich sehe, Verhältnis der Dämpfung ist groß, so dass die Kurve dämpft sehr früh. Sie können multiplizieren Sie den dämpfungsgrad durch eine kleine Zahl, um ihn zu zwingen, um den feuchten langsamer.
    • Ich kann versuchen, es selbst, wenn Sie teilen können, einen Teil der Daten..!
    • Sicher!!! Es wäre schön, wenn Sie könnte. Ich habe hochgeladen, die Daten auf pastebin im csv-format, wobei die erste Spalte die amplitude und die zweite ist die Zeit. link
    • Ich denke, dass die Verteilung der Daten macht es schwer sich für das passende tool zu tun, eine gute Passform. Vielleicht braucht es mehr Daten oder mehr verteilte Daten. es gibt andere tools und Methoden, wie zum Beispiel check das jetzt: docstoc.com/docs/74524947/Mathcad-Damped-sine-fit-mcd
    • Für alle diese Methoden, die tatsächlich versuchen, zu suchen und zu finden, der einem lokalen optimum, das wichtigste ist der ursprüngliche Zustand. Ich glaube, wenn Sie eine gute ausgangsvoraussetzung, die fitting-tool funktioniert gut.

    InformationsquelleAutor NKN
  2. 1

    Ich würde nicht mit der curve-fitting-toolbox für diese verwende ich ein curve-fitting-Funktion, z.B. lsqcurvefit. Hier ist ein Beispiel, genommen von etwas, was ich habe eine Weile zurück:

    % Define curve model functions
expsin = @(a, f, phi, tau, t)a * sin(omega * t + phi) .* exp(-tau * t);
lsqexpsin = @(p, t)expsin(p(1), p(2), p(3), p(4), t);

% Setup data params
a = 1;          % gain
f = 10;         % frequency
phi = pi/2;     % phase angle
tau = 0.9252523;% time constant

fs = 100;   % sample rate
N = fs;     % length
SNR = 10;   % signal to noise ratio

% Generate time vector
dt = 1/fs; 
t = (0:N-1)*dt; 

omega = 2 * pi * f; % angular freq
noiseGain = 10^(-SNR/20); % gain for given SNR

% Generate dummy data: decaying sinusoid plus noise
x = expsin(a, omega, phi, tau, t);
noise = noiseGain * rand(size(x));
noise = noise - mean(noise);
x = x + noise;

close all; figure; hold on;
plot(t, x, 'k-', 'LineWidth', 2);

% Count zero crossings to find frequency
zCross = find(x(1:end-1) .* x(2:end) < 0);
T = mean(diff(zCross) * dt) * 2;
fEstimate = 1 / T;
omegaEstimate = 2 * pi * fEstimate;

% Fit model to data
init = [0.5, omegaEstimate, 0, 0.5];
[newparams, err] = lsqcurvefit(lsqexpsin, init, t, x);

plot(t, lsqexpsin(newparams, t))

    Hier einige Daten mit bekannten Parametern erzeugt wird, und etwas Rauschen Hinzugefügt; die Daten gezeichnet werden. Die Parameter [a, phi, tau] werden aus den Daten geschätzt, und eine Kurve mit der geschätzten Parameter gezeichnet, auf der Oberseite.

    InformationsquelleAutor wakjah
Schreibe einen Kommentar