matlab中数据的衰减率
我想知道一些数据在达到初始峰值(这里是camatlab中数据的衰减率,matlab,exponential,Matlab,Exponential,我想知道一些数据在达到初始峰值(这里是cax=5)后返回基线的速度有多快 二次拟合看起来是正确的(从matlab的figures选项,如下所示),但我正在寻找这条曲线的简明量化,因此我认为指数函数的“”将是非常简单的 这个假设正确吗 如果是的话,我在维基上查看了这个公式,并无耻地试图找到时间常数的解(但没有成功)。有人能帮我吗?或者这真的不是一个小问题吗 编辑:我计划使用MathWorks的findpeaks()函数查找峰值,使用“反向”findpeaks()函数查找曲线的最低点(如:-y)
x=5
)后返回基线的速度有多快
二次拟合看起来是正确的(从matlab的figures选项,如下所示),但我正在寻找这条曲线的简明量化,因此我认为指数函数的“”将是非常简单的
findpeaks()
函数查找曲线的最低点(如:-y
)
这是我一直在寻找的两个选项,也许有人可以详细说明/改进这些方法的差异——对我来说,这已经足够好了,谢谢你的评论。在此步骤之前,使用问题示例中提供的数据,必须提取局部最大值和最小值,使用
findpeaks()
方法1)需要Matlab中的曲线工具箱
或方法2)需要Matlab中的优化工具箱
这是我一直在寻找的两个选项,也许有人可以详细说明/改进这些方法的差异——对我来说,这已经足够好了,谢谢你的评论。在此步骤之前,使用问题示例中提供的数据,必须提取局部最大值和最小值,使用
findpeaks()
方法1)需要Matlab中的曲线工具箱
或方法2)需要Matlab中的优化工具箱
首先,您需要删除向上步,因为这不符合指数衰减曲线。然后您有两个选项。。。直接非线性曲线拟合(它是单调的,因此效率很高)——使用例如
lsqnonlin
——或log(y)
的线性拟合,这非常容易,但代表了与通常的AWGN模型非常不同的采样误差假设。@BenVoigt,我理解,关于删除递增步骤,我可以用matlab中的FindPeak轻松地完成这项工作,这项工作非常出色。不幸的是,我对lsqnonlin和AWGN模型没有任何线索=/我可能还应该提到,我有非常基本的数学技能,基本上我不知道如何解释微分方程。我认为lsqnonlin
基本上解决了这个问题(参见确切的例子),至少在浏览文档的第一个近似值上,如果您认为其他人可以从中获利,请在回答中详细说明,那么我将接受。我应该提到的是,这个函数需要优化工具箱,我目前无法访问。首先,您需要删除上一步,因为这不符合指数衰减曲线。然后,您有两个选项。。。直接非线性曲线拟合(它是单调的,因此效率很高)——使用例如lsqnonlin
——或log(y)
的线性拟合,这非常容易,但代表了与通常的AWGN模型非常不同的采样误差假设。@BenVoigt,我理解,关于删除递增步骤,我可以用matlab中的FindPeak轻松地完成这项工作,这项工作非常出色。不幸的是,我对lsqnonlin和AWGN模型没有任何线索=/我可能还应该提到,我有非常基本的数学技能,基本上我不知道如何解释微分方程。我认为lsqnonlin
基本上解决了这个问题(参见确切的例子),至少在浏览文档的第一个近似值上,如果您认为其他人可以从中获利,请在回答中详细说明,那么我将接受。我应该提到,此功能需要优化工具箱,我目前无法访问该工具箱
%approx data values of the curves below
y= [0 0.07 0.08 0.08 0.08 0.06 0.06 0.05 0.04 0.05 0.04 0.02 0.01 0.02 0.01 0.01 0.03 0.02 0.02 0.02 0.03 0.01 0.02 0.01 0.01 0.03 0.02 0.01 0.02 0.01];
x=1:numel(y);
plot(x,y);
%Fit a Single-Term Exponential Model, copy from Mathworks documentation, all credits go there
x = (0:0.2:5)';
y = 2*exp(-0.2*x) + 0.1*randn(size(x));
f = fit(x,y,'exp1')
f =
General model Exp1:
f(x) = a*exp(b*x)
Coefficients (with 95% confidence bounds):
a = 2.021 (1.89, 2.151)
b = -0.1812 (-0.2104, -0.152)
plot(f,x,y)
%copy from Mathworks documentation, all credits go there
rng default % for reproducibility
d = linspace(0,3);
y = exp(-1.3*d) + 0.05*randn(size(d));
fun = @(r)exp(-d*r)-y;
x0 = 4;
x = lsqnonlin(fun,x0)
plot(d,y,'ko',d,exp(-x*d),'b-')
legend('Data','Best fit')
xlabel('t')
ylabel('exp(-tx)')