model-fitting

    0热度

    1回答

    我知道以下将需要耐心,我很欣赏您将付出的努力。 我有一个测量数据,它代表磁矩的导数:dM/dH。 M(1H)曲线的一个很好的数学模型是朗之万函数:其中: M(H)= 1/coth(XI) - 1/XI,XI = CTE *Vi³ 1 /(sinh²(XI)) 对于 - DM/DH = 1 /xi²:使磁矩的衍生物可以从朗之万函数的导数的导数来获得f itting我用这个函数作为拟合函数: def

    1热度

    1回答

    我有一个带有点的二进制图像,我使用OpenCV的goodFeaturesToTrack获取,如Image1所示。 Image1 : Cloud of points 我想适应的4个* 25点就可以了,比如网格上镜像2所示(并非所有的点都可见的图像,但它是一个普通的4个* 25点长方形)。 Image2 : Model grid of points 4×25点我的模型网格由参数化: 1 - 左上角的位

    0热度

    1回答

    我想知道如何适应这个模型/方程式 y~x^(-p) 我的数据发现指数p 我的数据的最大价值分别是: y=c(1.1178329,1.0871448,1.0897010,1.0759255,1.0535190,0.8725332) x=c(6,5,4,3,2,1) 我尝试以下方法 mod <- nlsLM(sigmasG ~ x^(-p), start = c(p = 0.01) ,

    0热度

    1回答

    我正在拟合[60,80] $到Nakagami分布中我的数据集$ x \的归一化直方图。首先,我已经通过以下MLE代码,估计使用VGAM包的dnaka的比例和形状参数: ll <- function(par) { if(par[1]>0 & par[2]>0) {return(-sum(log(dnaka(x, scale = par[1], shape = par[2]))))} #

    3热度

    1回答

    当我尝试拟合指数衰减并且我的x轴有十进制数时,拟合从不正确。这里是我的数据如下: exp.decay = data.frame(time,counts) time counts 1 0.4 4458 2 0.6 2446 3 0.8 1327 4 1.0 814 5 1.2 549 6 1.4 401 7 1.6 266 8 1.8 182 9 2.0 140 10

    0热度

    1回答

    我正在构建使用keras的简单神经网络。 训练数据的每个元素都有100个维度,我正在从文本文件中读取元素的标签。 f = open('maleE', "rt") labelsTrain = [line.rstrip() for line in f.readlines()] f.close() 标签是具有这种结构的字符串:number_text 为了适应训练数据模型: model.fit(t

    1热度

    1回答

    我是PyMC3的新手,试图找到一组适合实验数据的参数。我的问题是,我的可能性功能是以参与者以前的答复为条件的。 的数据具有以下矩阵形式: participant | trial0 | trial1 | ... | trialn p0 | x | x | ... | x .... p1 | x | x | ... | x 其中X编纂了参与者在该试验的反应,与0, 1, or 2值。现在,我

    1热度

    1回答

    我想知道keras中的fit_generator()在使用通常的fit()方法与发生器产量相同的batch_size方面在内存使用方面是否有优势。我见过类似这样的一些例子: def generator(): (X_train, y_train), (X_test, y_test) = mnist.load_data() # some data prep ... while 1:

    1热度

    2回答

    我已经训练并测试了一个前馈神经网络,它使用Python中的Keras和数据集。但每次,为了识别带有外部数据的新测试集(外部因为数据未包含在数据集内),我必须重新训练前馈神经网络来计算测试集。比如每次我必须做的: model.fit (data, output_data) prediction=model.predict_classes(new_test) print "Prediction :

    0热度

    1回答

    我有一个数据集,由两个自由参数描述,我想用optimalization.curve_fit来确定。该模型定义如下 def func(x, a, b,): return a*x*np.sqrt(1-b*x) 而且配件部分如 popt, pcov = opt.curve_fit(f = func, xdata = x_data, ydata= y_data, p0 = init_gue