AjusteNaoLinear-alpha-c, R

Language: Layout:

# Ajuste de curvas por mínimos quadrados.

# Dados os vetores x e y, supomos que y_i=f(x_i)+erro_i, como erro_i um erro "pequeno".
x=seq(-5,5,by=0.5);x  
n=length(x)
y=c(76.8, 66.3, 56.4, 47.2, 38.9, 31.4, 24.4, 17.84, 11.1, 3.7, -0.2, 4.1, 11.21, 17.6, 24.1, 31.3, 39.0, 47.33, 56.53, 66.13, 76.73)
plot(x,y,col="red")

# Por alguma experiência em lidar com dados, supomos ainda que
# f_u(s)=(20*s^2+alpha)/(log(as^4+b2*s^2+c)), para algum alpha conhecido.
# em que u=(a, b, c) é o vetor de parâmetros desonhecidos. Vamos fixar f(1)=f(x_13)=y_13=1.21 e assim teremos c=e^((20+alpha)/11.21)-a-b
# e precisraemos determinar apenas a e b.

# Para determinar os valores dos parâmetros resolvemos o problema de minimização 
#
#        min g(u)
# 
# em que g(u)= sum (y_i-f_u(x_i))^2, sendp u=(a,b).
# 
# Para fazer isso usamos o método de Euler para resolver a equaçõ diferencial 
#
#      u'(t)=-grad g(u(t))
#      u(0)=u_0

# Seguem os comando para as definições de funções necessárias.
alpha=0.1
g<-function(u){    # função g(u)
a=u[1];b=u[2];c=exp((20+alpha)/11.21)-a-b
p=0
for (i in 1:n){
p=p+( y[i]- (20*x[i]^2+alpha)/log(a*x[i]^4+b*x[i]^2+c) )^2}
p/2
}

# Teste do código para g(u).
g(c(1,2))

gradg<-function(u){   # função gradiente de g(u).
a=u[1];b=u[2];c=exp((20+alpha)/11.21)-a-b
p=c(0,0)
for (i in 1:n){
p=p+( y[i]- (20*x[i]^2+alpha)/log(a*x[i]^4+b*x[i]^2+c))*((20*x[i]^2+alpha)/(log(a*x[i]^4+b*x[i]^2+c))^2
)*( 1/(a*x[i]^4+b*x[i]^2+c) )*c(x[i]^4-1,x[i]^2-1)}
p
}

# Teste da função gradg(u)
gradg(c(1,2))

#---- Início da rotin para o método de Euler.

ZeroEuler<-function(u0,t,m){
w=u0
h=t/m
for (i in 1:m){w=w-h*gradg(w)}
w
}

# Teste de aproximação de solução do problema de minimização. 
u0=c(1,0.5);print("Condição inicial");u0; 
t=10; m=10000
print("Teste de g(u0)");g(u0)                       # Teste de g(u0).

u=ZeroEuler(u0,t,m) ; print("Aproximação"); u     # Aproximadamente u(t)
print("Teste de minímo aproximado");g(u)                        # Teste de minímo aproximado
a=u[1];b=u[2];c=exp((20+alpha)/11.21)-a-b
print("Aproximação para c"); c

# Definição da aproximação de f(u).

fap<-function(s){(20*s^2+alpha)/(log(a*s^4+b*s^2+c))}

curve(fap,-5,5,ylim=c(0,78))
points(x,y,col="red")        # Teste de ajuste.

plot(x,y-fap(x),'l')

# Se quiser pode aumentar t e n ou escolher outra condição inicial 
# para se convencer do resultado obtido.

# Gráfico para escolha de condição inicial 
xx <- seq(0.1,2, by=0.05)
yy <- seq(1,2.5,by=0.05)
require(grDevices)

z =matrix(0,length(xx),length(yy))
for ( i in 1:length(xx)){ for (j in 1:length(yy)){
z[i,j]=g(c(xx[i],yy[j]))}}

z[is.na(z)] <- 4
op <- par(bg = "white")
persp(xx, yy, z, theta = 60, phi = 20, expand = 1) # Gráfico de mf(x,y).
contour(xx,yy,z,levels=c(1,10,100,1000))

[ + ] Show input
Absolute running time: 1.85 sec, cpu time: 1.85 sec, memory peak: 54 Mb, absolute service time: 2,14 sec