常微分方程的拟合参数,同时使用倍频程/ MATLAB ODE求解
-
18-09-2019 - |
题
我使用OdePkg在八度来解决刚性常,例如一个系统通过ode5r:
function yprime = myODEs(t,Y,param)
yprime = [
- param(1) * Y(1); # ODE for Y(1)
param(1) * Y(1) - param(2) Y(2) * Y(3); # ODE for Y(2)
param(2) Y(2) * Y(3) # ODE for Y(3)
# etc.
];
time_span = [1, 24] # time span of interest
Y0 = [1.0, 1.1, 1.3] # initial values for dependent variables Y
param = [7.2, 8.6, 9.5] # parameters, to be optimized
[t, Y] = ode5r(@myODEs, time_span, Y0, ..., param);
求解器存储因变量的Y相对于矩阵,以时间t(载体):
t Y(1) Y(2) Y(3)
0.0 1.0 1.1 1.3
0.1 ... ... ...
0.5 ... ... ...
0.9 ... ... ...
... ... ... ...
4.0 ... ... ...
... ... ... ...
24.0 ... ... ...
我想以适应PARAM的参数,使得所得到的变量ÿ最适合我的参考值,e.g:
t Y(1) Y(2) Y(3)
0.5 1.1 N/A N/A
1.0 1.9 N/A N/A
4.0 2.3 2.7 2.1
5.0 N/A 2.6 2.2
24.0 0.9 1.5 2.0
哪些八度/ Matlab的(其它语言,欢迎)例程可以的执行多参数(最小二乘/花键)配合强>? 怎么可能为结合参数集在配合不同的初始值强> Y0? 我会很高兴,如果你能为我提供一些提示和可能性。
此致 西蒙
解决方案
此应与SciPy的相对简单的。 scipy.optimize.leastsq()
需要应返回残差阵列对于给定的参数向量的函数。这将最大限度地减少残差的平方和。处理与不同的初始值多个数据集,只需为每个数据集运行ODE一次,计算残差每个数据集/运行对,然后级联这些残差矢量一起。这里是一个草图:
import numpy
from scipy import integrate, optimize
# The initial guess.
p0 = numpy.array([7.2, 8.6, 9.5])
# The collected datasets.
# A list of (t, y0, y) tuples.
# The y's are all (len(y0), len(t))-shaped arrays. The output of
# integrate.odeint is also in this format.
datasets = [...]
def odes(y, t, params):
dydt = [
-params[0] * y[0],
params[0]*y[0] - params[1]*y[1]*y[2],
params[1]*y[1]*y[2],
]
return np.array(dydt)
def residuals(params, datasets):
res = []
for t, y0, y in datasets:
res.append(integrate.odeint(odes, y0, t, args=(params,)) - y)
# Stack them horizontally and flatten the array into the expected vector.
# You're on your own for handling missing data. Look into the numpy.ma
# module.
all_residuals = numpy.hstack(res).ravel()
return all_residuals
opt_params, err = optimize.leastsq(residuals, p0, args=(datasets,))
其他提示
你的意思是每个函数y(t)的需要被装配?在这种情况下,租赁正方形或花键为每套易随时间拟合会工作得很好。分不清哪一个是最好的,没有看到你的数据。
您将不得不拿出另一个独立的变量,如果你的意思是要适应跨艺的所有值的曲线给定的时间点,然后观察该曲线随着时间的推移。
更新:最小二乘法拟合是它是什么 - 我没有特定的程序来推荐。 SciPy的有一个,我敢肯定。我很抱歉,我没有更好的建议。我只是学习Python的现在。
我不知道你所说的“体质指标”的意思。最小二乘拟合计算的系数,最大限度地减少了贴合性和在每个点处的数据之间的误差的均方。
仅有一个至数个数据集组合成单个配合方式:将它们合并并重新运行的计算
我制定了全面的MATLAB的适合参数和常微分方程到多个实验数据集的初始值。它可以处理依赖于每个实验不同的初始值和提供的 www.potterswheel.de 。
不隶属于 StackOverflow