Я пытаюсь найти коэффициенты в уравнении для моделирования переходной характеристики двигателя, которая имеет форму 1-e^x
. Уравнение, которое я использую для моделирования, имеет вид
a(1)*t^2 + a(2)*t^3 + a(3)*t^3 + ...
(Это получено в исследовательской статье, используемой для определения параметров двигателя)
Иногда использование fminunc
для нахождения коэффициентов работает нормально, и я получаю хороший результат, и он достаточно хорошо соответствует обучающим данным. В других случаях возвращаемые коэффициенты ужасны (будут чрезвычайно выше, чем должен быть вывод, и на порядки). Это особенно происходит, когда я начал использовать термины более высокого порядка: использование любой модели, использующей x^8
или выше (x^9
, x^10
, x^11
и т. д.), всегда приводит к плохим результатам.
Поскольку иногда это работает, я не могу понять, почему моя реализация была бы неправильной. Я пробовал fminunc
, предоставляя градиенты, а также не предоставляя градиенты, но разницы нет. Я рассматривал возможность использования других функций для расчета коэффициентов, таких как polyfit
, но в этом случае у него должны быть члены, которые повышаются от 1
до члена высшего порядка, но модель, которую я использую, имеет наименьшую мощность при 2
.
Вот основной код:
clear;
%Overall Constants
max_power = 7;
%Loads in data
%data = load('TestData.txt');
load testdata.mat
%Sets data into variables
indep_x = data(:,1); Y = data(:,2);
%number of data points
m = length(Y);
%X is a matrix with the independant variable
exps = [2:max_power];
X_prime = repmat(indep_x, 1, max_power-1); %Repeats columns of the indep var
X = bsxfun(@power, X_prime, exps);
%Initializes theta to rand vals
init_theta = rand(max_power-1,1);
%Sets up options for fminunc
options = optimset( 'MaxIter', 400, 'Algorithm', 'quasi-newton');
%fminunc minimizes the output of the cost function by changing the theta paramaeters
[theta, cost] = fminunc(@(t)(costFunction(t, X, Y)), init_theta, options)
%
Y_line = X * theta;
figure;
hold on; plot(indep_x, Y, 'or');
hold on; plot(indep_x, Y_line, 'bx');
А вот и costFunction
:
function [J, Grad] = costFunction (theta, X, Y)
%# of training examples
m = length(Y);
%Initialize Cost and Grad-Vector
J = 0;
Grad = zeros(size(theta));
%Poduces an output based off the current values of theta
model_output = X * theta;
%Computes the squared error for each example then adds them to get the total error
squared_error = (model_output - Y).^2;
J = (1/(2*m)) * sum(squared_error);
%Computes the gradients for each theta t
for t = 1:size(theta, 1)
Grad(t) = (1/m) * sum((model_output-Y) .* X(:, t));
end
endfunction
Любая помощь или совет будут оценены.
x^4
. Начните с гораздо более ограничительной модели и, если возможно, используйте хорошую отправную точку и примените хорошие границы для параметров, которые вы хотите оценить (для этого вам нужен решатель, который обрабатывает границы). - person Erwin Kalvelagen   schedule 24.10.2016