区分和整合适合
这个例子展示了如何在预测值处找到适合度的一阶导数和二阶导数,以及适合度的积分。
创建一个基线正弦信号:
xdata =(0: .1:2 *π)';y0 =罪(xdata);
给信号添加噪声:
噪音= 2 * y0。* randn(大小(y0));% Response-dependent噪音Ydata = y0 +噪声;
用自定义正弦模型拟合噪声数据:
f = fittype (“* sin (b * x)”);fit1 =适合(xdata ydata f,曾经繁荣的[1]);
求拟合度在预测点处的导数:
(d1, d2) =区分(fit1 xdata);
绘制数据、拟合和导数:
次要情节(1,1)情节(fit1、xdata ydata)cfit绘图方法次要情节(3、1、2)情节(xdata d1,“米”)%双线图法网格在传奇(的一阶导次要情节(3,1,3)情节(xdata, d2,“c”)%双线图法网格在传奇(“二阶导数”)
请注意,导数也可以用cfit绘图方法直接计算和绘制,如下所示。然而,plot方法不返回关于导数的数据。
情节(fit1 xdata ydata, {“健康”,“deriv1”,“deriv2”})
求在预测点处拟合度的积分:
int =集成(fit1 xdata 0);
绘制数据,拟合和积分:
次要情节(2,1,1)情节(fit1、xdata ydata)cfit绘图方法次要情节(2,1,2)情节(int, xdata“米”)%双线图法网格在传奇(“积分”)
请注意,积分也可以用cfit绘图方法直接计算和绘制,如下所示。然而,plot方法不返回关于积分的数据。
情节(fit1 xdata ydata, {“健康”,“积分”})