Den mindste kvadraters metode er almindeligt anvendt i data fitting. Løsningen på mindste kvadraters problem er koefficienten eller sæt af koefficienter , der minimerer summen af de kvadrerede residualer . Residualer er forskellen mellem den faktiske værdi og de monterede value.Scientists og ingeniører bruger Matlab, et program udviklet af MathWorks , at udføre mindste kvadraters analyse. Du kan bruge " fminsearch " funktion - men det kan være meget kompliceret og tidskrævende - eller Curve Fitting værktøjskasse - hvilket er dyrt. Alternativt kan du bruge Ezyfit . Ezyfit er gratis, hurtigt og nemt at bruge Matlab værktøjskassen. Instruktioner
Ezyfit Installation
1
Hent Ezyfit . Uddrag den til en mappe på din computer. Må ikke tilføje det til din Matlab telefonbogen ( " Programmer /Matlab ").
2
Vælg "File > Set Path ... " menulinjen , og vælg derefter mappen med Ezyfit at tilføje Ezyfit til din Matlab sti.
3
Genstart Matlab at indlæse Ezyfit for første gang . Herefter vil Ezyfit indlæses automatisk , når du starter Matlab .
Generer Lineær Sample data
4
Type " x = 0:1:100 " i Command vinduet for at generere en serie af x-værdier .
5.
Type " y = rand ( 1 , længde (x)) " til tilfældigt generere en y-værdi for hver x-værdi.
6
Type " y = y . * (x * 2) " for at oprette en gradient på 2 . Vær omhyggelig med at bruge matrix multiplikation " . * " Efter den anden y snarere end matrixmultiplikation "*" ellers vil du generere en matrix multiplikation fejl.
7
Type " plot ( x , y, ' kx ' ) "til plotte punkter på en scatter plot.
Udfør Least Squares Fit
8
Type" showfit ( ' a * x + b ' ) "til udføre en lineær mindste kvadraters . Ezyfit udskriver løsningen , dvs værdierne af de montering koefficienter "a" og "b" og korrelationskoefficient "R".
9
Type " showfit ( 'a * exp ( b * x ) + c ) " til at udføre en eksponentiel mindste kvadraters fit .
10
Kontroller, at korrelationskoefficienten " R "for den eksponentielle fit er mindre end " R "value for den lineære pasform. Det betyder, at lineære fit er en bedre pasform af de data , som forventet.
