区分和整合适合

打开脚本

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”})