НОУ ИНТУИТ | Введение в Octave. Лекция 11: Обработка результатов эксперимента. Метод наименьших квадратов

Учитесь и получайте официальные документы БЕСПЛАТНО. Вы можете поддержать наш проект.

Регистрация Вход

Твой путь к знаниям!

Компания ALT Linux

Опубликован: 12.03.2015 | Доступ: свободный | Студентов: 576 / 64 | Длительность: 20:55:00

Темы: Математика, Программное обеспечение, Физика

Специальности: Математик, Преподаватель, Физик

|

Вам нравится? Нравится 14 студентам

| Поделиться |

Поддержать курс

| Скачать электронную книгу

Пример 11.3. В результате эксперимента получена табличная зависимость y(x) (см. табл. 11.5). Подобрать аналитические зависимости f(x)=b_1+b_2x+b_3x^2+b_4x^3+b_5x^4+b_6x^5,g(x)=a_1+a_2x+a_3x^2+a_4x^3+a_5x^5 и $\varphi(x)=c_1+c_2x+c_4x^3+c_5x^5$ методом наименьших квадратов. Пользуясь значением индекса корреляции выбрать наилучшую из них, с помощью которой вычислить ожидаемое значение в точках 1, 2.5, 4.8. Построить графики экспериментальных точек, подобранных зависимостей. На графиках отобразить рассчитанные значения в точках 1, 2.5, 4.8.

Как рассматривалось ранее, решать задачу подбора параметров полинома методом наименьших квадратов в Octave можно тремя способами.

Сформировать и решить систему уравнений (11.3).
Решить задачу оптимизации (11.1). В случае полинома $f(x)=\sum _{i=1}^{k+1}a_ix^{i-1}$ подбираемые коэффициенты будут входить в функцию (11.1) линейным образом и не должно возникнуть проблем при решении задачи оптимизации с помощью функции .
Использовать функцию .

увеличить изображение
Рис. 11.3. График к примеру 11.2: экспериментальные точки и подобранная методом наименьших квадратов зависимость

Таблица 11.5. Данные к примеру 11.3
x	-2	-1,3	-0,6	0,1	0,8	1,5	2,2	2,9	3,6	4,3	5	5,7	6,4
y	-10	-5	0	0,7	0,8	2	3	5	8	30	60	100	238

Чтобы продемонстрировать использование всех трёх методов для подбора $f(x)=\sum _{i=1}^6b_ix^{i-1}$ воспользуемся функцией polyfit , для формирования коэффициентов функции g(x) сформируем и решим систему уравнений (11.3), а функцию $\varphi(x)$ будем искать с помощью функции sqp .

Для формирования подбора коэффициентов функции g(x)=a_1+a_2x+a_3x^2+a_4x^3+a_5x^5 сформируем систему уравнений. Составим функцию $S(a_1,a_2,a_3,a_4,a_5)=\sum_{i=1}^n(y_i-a_1-a_2x_i-a_3x_i^2-a_4x_i^3-a_5x_i^5)^2$ . После дифференцирования по и a_5 система линейных алгебраических уравнений для вычисления параметров примет вид:

$\left\{ \begin{aligned} a_1n+a_2\sum_{i=1}^nx_i+a_3\sum _{i=1}^nx_i^2+a_4\sum_{i=1}^nx_i^3+a_5\sum_{i=1}^nx_i^5&=\sum_{i=1}^ny_i\\ a_1\sum_{i=1}^nx_i+a_2\sum_{i=1}^nx_i^2+a_3\sum_{i=1}^nx_i^3+a_4\sum_{i=1}^nx_i^4+a_5\sum_{i=1}^nx_i^6&=\sum_{i=1}^ny_ix_i\\ a_1\sum_{i=1}^nx_i^2+a_2\sum_{i=1}^nx_i^3+a_3\sum_{i=1}^nx_i^4+a_4\sum_{i=1}^nx_i^5+a_5\sum_{i=1}^nx_i^7&=\sum_{i=1}^ny_ix_i^2\\ a_1\sum_{i=1}^nx_i^3+a_2\sum_{i=1}^nx_i^4+a_3\sum_{i=1}^nx_i^5+a_4\sum_{i=1}^nx_i^6+a_5\sum_{i=1}^nx_i^8&=\sum_{i=1}^ny_ix_i^3\\ a_1\sum_{i=1}^nx_i^5+a_2\sum_{i=1}^nx_i^6+a_3\sum_{i=1}^nx_i^7+a_4\sum_{i=1}^nx_i^8+a_5\sum_{i=1}^nx_i^{10}&=\sum_{i=1}^ny_ix_i^5 \end{aligned} \right.$

( 11.21)

Решив систему (11.21), найдём коэффициенты a_1,a_2,a_3,a_4 и a_5 функции g(x)=a_1+a_2x+a_3x^2+a_4x^3+a_5x^5 .

Для поиска функциональной зависимости вида $\varphi(x)=c_1+c_2x+c_4x^3+c_5x^5$ необходимо будет найти такие значения c_1,c_2,c_3,c_4 которых функция

$S(c_1,c_2,c_3,c_4)=\sum_{i=1}^n\left(y_i-c_1-c_2x_i-c_3x_i^3-c_4x_i^5\right)^2$

( 11.22)

принимала бы наименьшее значение.

После вывода необходимых формул приступим к реализации в Octave. Текст программы с очень подробными комментариями приведён в листинге 11.4.

	
% Функция для подбора зависимости fi(x) методом наименьших квадратов.
function s=f_mnk(c)
% Переменные x, y являются глобальными, используются в
% функции f_mnk и главной функции.
	global x; global y;
% Формирование суммы квадратов отклонений (11.22).
	s =0;
	for i =1: length(x)
		s=s+(y(i)-c(1)-c(2)*x(i)-c(3)*x(i)^3_c(4)*x(i)^5)^2;
	end
end
% Главная функция ————————————
global x; global y;
% Определение координат экспериментальных точек
x=[-2 -1.3 -0.6 0.1 0.8 1.5 2.2 2.9 3.6 4.3 5 5.7 6.4];
y=[-10 -5 0 0.7 0.8 2 3 5 8 30 60 100 2 3 8];
z =[1 2.5 4.8]
% Подбор коэффициентов зависимости f(x) (полинома пятой степени)
% методом наименьших квадратов, используя функцию polyfit.
% Коэффициенты полинома будут хранится в переменной B.
B=polyfit(x, y, 5)
% Формирование точек для построения графиков подобранных функций.
X1= -2:0.1:6.5;
% Вычисление ординат точек графика первой функции f(x).
Y1=polyval (B, X1);
% Формирование системы (11.21) для подбора функции g(x). Здесь GGL —
% матрица коэффициентов, H — вектор правых частей системы (11.21),
% G — первые 4 строки и 4 столбца матрицы коэффициентов, G1 — пятый
% столбец матрицы коэффициентов, G2 — пятая строка матрицы коэфф–тов.
for i = 1:4
	for j =1:4
		G(i, j)= sum(x.^(i+j-2));
	endfor
endfor
for i = 1:4
	G1(i)= sum(x.^(i+5));
	H(i)= sum(y.*x.^(i-1));
endfor
for i =1:4
	G2(i)= sum(x.^(i+4));
endfor
G2(5)= sum(x.^10);
% Формирование матрицы коэффициентов системы (11.21) из матриц
% G, G1 и G2.
GGL=[G G1’; G2]
H(5)= sum(y.*x.^5);
% Решение системы (11.21) методом обратной матрицы и
% формирование коэффициентов А функции g(x).
A=inv(GGL)*H’
% Подбор коэффициентов зависимости fi(x) методом наименьших квадратов,
% используя функцию sqp. Коэффициенты функции будут хранится в перемен-% ной C. Задание начального значения вектора С, при неправильном его опре-% делении, экстремум функции может быть найден неправильно.
C = [2; 1; 3; 1];
% Поиск вектора С, при котором функция (11.22) достигает своего
% минимального значения, вектор С — коэффициенты функции fi.
C=sqp (C, @f_mnk)
% Вычисление ординат точек графика второй функции g(x).
Y2=A(1)+A(2)*X1+A(3)*X1.^2+A(4)*X1.^3+A(5)*X1.^5;
% Вычисление ординат точек графика третьей функции fi(x).
Y3=C(1)+C(2)*X1+C(3)*X1.^3+C(4)*X1.^5;
% Вычисление значений первой функции f(x) в заданных точках.
yr1=polyval(B, x);
% Вычисление значений второй функции g(x) в заданных точках.
yr2=A(1)+A(2)*x+A(3)*x.^2+A(4)*x.^3+A(5)*x.^5;
% Вычисление значений третьей функции fi(x) в заданных точках.
yr3=C(1)+C(2)*x+C(3)*x.^3+C(4)*x.^5;
% Вычисление индекса корреляции для первой функции f(x).
R1=sqrt(1-sum((y-yr1).^2)/sum((y-mean(y)).^2))
% Вычисление индекса корреляции для второй функции g(x).
R2=sqrt(1-sum((y-yr2).^2)/sum((y-mean(y)).^2))
% Вычисление индекса корреляции для третьей функции fi(x).
R3=sqrt(1-sum((y-yr3).^2)/sum((y-mean(y)).^2))
% Сравнивая значения трёх индексов корреляции, выбираем наилучшую
% функцию и с её помощью вычисляем ожидаемое значение в точках 1, 2.5, 4.8.
if R1>R2 & R1>R3
	yz=polyval(B, z)
	"R1="; R1
endif
if R2>R1 & R2>R3
	yz=C2(1)+C2(2)*z+C2(3)*z.^2+C2(4)*z.^3+C2(5)*z.^5
	"R2="; R2
endif
if R3>R1 & R3>R2
	yz=C(1)+C(2)*z+C(3)*z.^3+C(4)*z.^5
	"R3="; R3
endif
% Построение графика.
plot(x, y, "*r;experiment;",X1, Y1, ’-b;f(x);’,X1, Y2, ’dr;g(x);’,X1
	, Y3, ’ok;fi(x);’, z, yz, ’sb;f(z);’);
grid();
% Результаты работы программы.
z = 1.0000 2.5000 4.8000
B = 0.083039 -0.567892 0.906779 1.609432 -1.115925 -1.355075
GGL =
	1.3000e+01 2.8600e+01 1.5210e+02 7.2701e+02 1.2793e+05
	2.8600e+01 1.5210e+02 7.2701e+02 3.9868e+03 7.5030e+05
	1.5210e+02 7.2701e+02 3.9868e+03 2.2183e+04 4.4706e+06
	7.2701e+02 3.9868e+03 2.2183e+04 1.2793e+05 2.6938e+07
	2.2183e+04 1.2793e+05 7.5030e+05 4.4706e+06 1.6383e+08
A =
	9.4262e+00
	-3.6516e+00
	-5.7767e+00
	1.7888e+00
	-5.8179e-05
C =
	-1.030345
	5.080391
	-0.609721
	0.033534
R1 = 0.99690
R2 = 0.98136
R3 = 0.99573
yz = -0.43964 6.008544 0.77972

Листинг 11.4. Решение к примеру 11.3

На рисунке 11.4 представлено графическое решение задачи.

увеличить изображение
Рис. 11.4. Графическое решение к примеру 11.3

Рассмотренная задача демонстрирует основные приёмы подбора зависимости методом наименьших квадратов. Авторы рекомендует внимательно рассмотреть её для понимания методов решения подобных задач в Octave.

В заключении авторы позволят несколько советов по решению задачи аппроксимации.

Подбор каждой зависимости по экспериментальным данным — довольно сложная математическая задача, поэтому следует аккуратно выбирать вид зависимости, наиболее точно описывающей экспериментальные точки.
Необходимо сформировать реальную систему уравнений исходя из соотношений (11.1)–(11.3). Следует помнить, что проще и точнее решать систему линейных алгебраических уравнений, чем систему нелинейных уравнений. Поэтому, может быть, следует преобразовать исходную функцию (прологарифмировать, сделать замену и т. д.) и только после этого составлять систему уравнений.
При том, что функция — довольно мощная, лучше использовать методы и функции решения систем линейных алгебраических уравнений, функцию , чем функцию . Этот совет связан с тем, что функция — приближённые итерационные алгоритмы, поэтому получаемый результат иногда может быть менее точен, чем при точных методах решения систем линейных алгебраических уравнений. Но, иногда, именно функция — единственный метод решения задачи.
Для оценки корректности подобранной зависимости следует использовать коэффициент корреляции, критерий Стьюдента (для линейной зависимости) и индекс корреляции и суммарную квадратичную ошибку (для нелинейных зависимостей).

Дальше >>

Авторизоваться

Введение в Octave

Обработка результатов эксперимента. Метод наименьших квадратов

Вопросы и ответы