Télécharger la présentation
La présentation est en train de télécharger. S'il vous plaît, attendez
1
Ajustements c2 non-linéaires
2
Minimisation du c2 On ne peut solutionner analytiquement
3
Algorithme Calcule localement le c2 et son gradient
On calcule numériquement les Cij Change les paramètres dans la direction inverse du gradient Recalcule et réitère jusqu’à ce que le c2 ne diminue presque plus
4
Près du minimum du c2 Développement parabolique
est la matrice de courbure du c2
5
lsqcurvefit Moindres carrés non-linéaires
Erreurs non considérées (si = 1) On cherche la solution itérativement Nécessite un point de départ (ai) Fin cours #7 1er mars 2002 avec des exemples MATLAB de lsqcurvefit
6
Moindres carrés pondérés
On construit soi-même le c2 On minimise c2 avec fminunc x = fminunc(chi2,x0)
7
Distribution c2 Soit f(x) la vraie fonction,
Les mesures yi sont en moyenne à une distance si de la courbe En moyenne, c2 = n Si on refait souvent les mesures, on obtient une distribution du c2
8
Distribution c2 Si on réajuste m paramètres de f(x) sur les données,
Le c2 va diminuer c2 normalisé
9
Distribution c2 La distribution c2 est donnée par
10
Distribution c2 cumulative
11
Ajout d’un terme ? Le c2 s’améliore avec m
Il faut voir si m + 1 améliore significativement l’ajustement On compare c2 pour m et m + 1
12
Test F En fait, on considère l’amélioration relative du c2
Fc est petit si l’ajout d’un terme est inutile
Présentations similaires
© 2024 SlidePlayer.fr Inc.
All rights reserved.