[Tarvitaan] käyrän sovitus AA joukko Datas, linkit

[vamanan]

Hei, Voiko joku selittää minulle miten käyrän sovitus on tehnyt aa joukko Datas. Voit ohjata minua antamalla linkkejä myös. Terveisin, Vamanan

 

[evision]

Ota käänteinen (askelten kokonaismäärä -1), korota se suhde viimeinen arvo / Ensimmäistä arvoa

 

[Kral]

vamanan, kaksi yhteiset menetelmät käyrän sovitus on polynomi käyrän sovitus, ja pienimmän neliösumman käyrän sovitus. Polynomisessa käyrän sovitus, polynomi on löytynyt joka jokaisen datapisteiden esiintyy polynomi käyrän. Vuonna pienimmän neliösumman sovitus, polynomi on löytynyt joka neliöiden summa on virheiden välillä datapisteet ja polynomi on minimaalinen. Katso maininnat seuraavasti:. http://en.wikipedia.org/wiki/Curve_fitting . http://en.wikipedia.org/wiki/Linear_least_squares Myös Google on l "itään neliöitä" ja "polynomi käyrän fit". Saat paljon osumia. Terveisin, Kral

 

[iyami]

Vuonna pienimmän neliösumman sovitus, polynomi on löytynyt joka neliöiden summa on virheiden välillä datapisteet ja polynomi on minimaalinen.

Vain pieni lisäys. Näitä toimintoja ei tarvitse polynomeja. Sinulla voi olla myös tietoja, jotka tiedät syntyy summana sini toimintoja tai Exponentials. Tällöin voit käyttää (epälineaarinen) pienimmän neliösumman sopiva löytää paras (tai ainakin tarpeeksi lähellä) sopivat keskuudessa tehtäviä tämän tyyppinen. Yleinen menettely käsittää seuraavat vaiheet: 1) päättää, minkä tyyppinen toimintoja haluat käyttää ehdolle 2) päättää miten määrittelet etäisyys tiedot ja näiden toimintojen 3) löytää lähellä tarpeeksi toiminnot näistä ehdokkaista. 1) ovat usein polynomit kiinteä tutkinto, annos toiminnot, siniaallosta jne. 2) yleensä L2-normi (Eukleideen etäisyyden toiminnot) 3) On olemassa monia avoimen lähdekoodin kirjastoja / ohjelmat lineaarinen / ei-lineaarinen pienimmän neliö asennus