Указания к выполнению
Работа 4. Обработка результатов однофакторного эксперимента в среде MATLAB. Подгонка кривых. Теоретические основы.
Обработка результатов однофакторного эксперимента включает 3 этапа:
Наиболее совершенным программным средством для решения данной задачи является пакет программ MATLAB. MATLAB является средой разработки программ обработки данных и, одновременно, содержит большое количество готовых программ, в частности, программу подгонки кривых CurveFitting. Программа подгонки кривых CurveFitting предоставляет следующие виды функций для аппроксимации и интерполяции одномерных массивов данных: а) экспоненциальную;
б)гауссиан в)Фурье г)полиномиальную;
д)показательную;
е)рациональную.
Критерием качества подгонки являются вычисляемые программой коэффициенты множественной детерминации (R-square и Adjusted R-square). Коэффициент R-square показывает насколько успешно разброс данных относительно аппроксимирующей кривой может быть объяснен наличием случайных погрешностей в данных. Максимально возможное значение R-square равно 1. Коэффициент Adjusted R-square характеризует то же самое, но учитывает количество степеней свободы дисперсий воспроизводимости и адекватности. Поэтому Adjusted R-square лучше характеризует степень соответствия экспериментальных данных аппроксимирующей кривой в том случае, если мы увеличиваем степень аппроксимирующего полинома и хотим проверить, происходит ли при этом улучшение качества подгонки. Максимально возможное значение Adjusted R-square также равно 1.
SSE – sum square error SST – sum square total, - коэффициент, выравнивающий степень разброса данных в опытах
n- количество результатов измерений; m – количество членов в уравнении регрессии; n-1 – количество степеней свободы дисперсии SSE; n-m - количество степеней свободы дисперсии SST.
Программа работы.
Указания к выполнению.
а) Запустить MATLAB. б) открыть окно Workspace (View/Workspace) и загрузить в это окно mat-файл данных по заданию преподавателя (census.mat, censu1.mat, censu2.mat и т.д.) в)открыть панель CurveFitting для чего выбрать Start/ Toolboxes/ CurveFitting в окне MATLAB; г) на панели CurveFittingTool активизировать кнопку Data. В окнах Xdata, Ydata станут доступными составляющие cdate (X) и pop (Y) из файла census.mat; д) произвести выбор cdate и pop, затем активизировать кнопку CreateDataSet; е) активизировать кнопку Fitting; ж) выбрать вид аппроксимирующей функции и активизировать кнопку Apply; Результаты аппроксимации будут представлены в графической форме в окне графического вывода на панели CurveFittingTool (рис.1) и в численной форме в окне Results на панели Tables of Fits (рис. 2). Рис. 1.
Рис. 2 з)выбрать пункт меню View/Residuals/Line или View/Residuals/Scatter. В результате в окне графического вывода на панели CurveFittingTool будут одновременно выведен график ошибки интерполяции (см. пример на рис. 3). Окно графического вывода можно вывести на печать или выполнить в виде рисунка: File/Print to Figure. Полученные в процессе аппроксимации результаты занести в таблицу:
Исследовать таким образом все возможные виды моделей, порядок модели - до 5.
е) по полученным и отраженным в таблице данным выбрать три наилучшие варианта аппроксимирующих функций. Для этих вариантов получить значения график аппроксимирующей функции и график погрешности аппроксимации, аналитические выражения с численными значениями коэффициентов для аппроксимирующей зависимости. 4. Оценку качества подгонки кривых и окончательный выбор аппроксимирующей зависимости производить последовательно:
1.1.Визуально, по степени согласованности графика полученной в результате подгонки аппроксимирующей кривой с отображенными в этом же окне графического вывода значениями yi . Качество подгонки считается удовлетворительным, если значения yi «вытянуты» вдоль аппроксимирующей кривой. На рис.3 приведены результаты подгонки, которые можно считать неудовлетворительными (А) и удовлетворительными (Б). А Б Рис. 3. 1.2. Визуально, по графику разности между значениями yi и вычисленными по аппроксимирующей функции значениями f(xi). Качество подгонки считается удовлетворительным, если график разности хорошо аппроксимируется «на глаз» функцией у=0. На рис.4 приведены результаты подгонки, которые можно считать неудовлетворительными (А) и удовлетворительными (Б). А
Б
Рис. 4.
2. Выбор лучшей кривой в каждом классе аппроксимирующих зависимостей – по Adjusted R-square. Лучшей кривой в классе является та, которой соответствует максимальное значение Adjusted R-square. Если максимальное значение соответствует двум или более кривым – выбирается кривая с наиболее простым аналитическим описанием.
3. Окончательный выбор самой лучшей аппроксимирующей зависимости – выбрать самую простую модель из лучших с условием примерно тех же значений диапазона погрешностей экспериментальных данных от аппроксимирующей кривой и RMSE (Root Mean Squared Error).
Содержание отчета.
Популярное: Как построить свою речь (словесное оформление):
При подготовке публичного выступления перед оратором возникает вопрос, как лучше словесно оформить свою... Как выбрать специалиста по управлению гостиницей: Понятно, что управление гостиницей невозможно без специальных знаний. Соответственно, важна квалификация... Как вы ведете себя при стрессе?: Вы можете самостоятельно управлять стрессом! Каждый из нас имеет право и возможность уменьшить его воздействие на нас... Почему люди поддаются рекламе?: Только не надо искать ответы в качестве или количестве рекламы... ©2015-2024 megaobuchalka.ru Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. (578)
|
Почему 1285321 студент выбрали МегаОбучалку... Система поиска информации Мобильная версия сайта Удобная навигация Нет шокирующей рекламы |