Solution non optimale d'ajustement non linéaireJ'essaie d'utiliser l'outil de modélisation non linéaire pour résoudre l'équation suivante.
Paramètre(
{Ea = 35, A = 0,25},
Racine(
Exp( -(1000 * Ea) / (:R * :"Température d'essai (K)"n) + A ) *
:"Durée du test (heures)"n
)
);
Ea et A sont des paramètres
R est une constante
Le temps et la température sont deux colonnes dans mon tableau et j'ai une colonne que j'ai définie comme y, que j'essaie de résoudre.
J'obtiens une solution pour Ea et A, mais lorsque je trace la valeur prédite par rapport à la valeur expérimentale, je n'obtiens pas un bon ajustement 1:1 (c'est-à-dire une pente d'environ 1,5). J'ai trouvé de meilleures solutions à ce problème en utilisant deux méthodes de linéarisation distinctes pour résoudre Ea et A, mais j'aimerais l'exécuter de cette façon pour pouvoir obtenir les limites supérieure et inférieure de l'estimation.
Il semble que le logiciel se bloque sur certains minima locaux au lieu de parvenir à une solution optimale. Y a-t-il quelque chose que je puisse faire pour améliorer cette méthode ?
Merci,
Version JMP 16.0.0
Ré: Ajustement non linéaire, solution non optimaleEssayez-vous de résoudre cette équation :
Peut-être que vos valeurs de départ (35, 0,25) pour Ea et A sont trop éloignées de l'optimum.
Regardez l'équation, après manipulation algébrique, elle est équivalente à ceci :
Log(Y^2 / Temps) = A - 1000/(R*Temp) * Ea.
Il s'agit d'une relation linéaire simple. Vous pouvez exécuter une régression pour obtenir une estimation de A (intercept) et Ea (pente). Remettez ensuite l'estimation pour résoudre votre régression non linéaire. Cela peut peut-être aider, mais sans garantie. Cela dépend toujours de vos données.
Ré: Solution non optimale d'ajustement non linéaireSalut @Rutuger85 ,
Bienvenue dans la Communauté !
Il peut être difficile de vous aider sans un échantillon de données à tester. Pourriez-vous en partager un anonymisé ?
@peng_liu vous a déjà donné un bon point de départ avec la transformation possible de votre équation et les différents points de départ pour vos valeurs de paramètres Ea et A.
Si vous lisez la documentation Détails statistiques sur la modélisation non linéaire efficace , il existe peut-être d'autres options à essayer :
- Spécifiez les limites des paramètres (triangle rouge de Nonlinear Fit, « Limites des paramètres » Options de la plate-forme non linéaire ) pour réduire l'espace de recherche,
- Changer la méthode d'optimisation (triangle rouge de Nonlinear Fit, "Options d'itération", et essayer d'utiliser Newton, QuasiNewton SR1, QuasiNewton BFGS, ...),
- Modifier les conditions d'arrêt : nombre d'itérations (vous pouvez l'augmenter pour améliorer les chances de trouver un optimum), changement d'objet, ...
Vous pouvez également à la fin utiliser les curseurs liés aux paramètres pour essayer d'améliorer l'ajustement manuellement et/ou trouver des valeurs de départ plus acceptables pour le solveur choisi.
Une autre option pourrait être d'essayer d'utiliser la plateforme « Fit Curve » et d'essayer de trouver un modèle approprié Détails statistiques pour les modèles Fit Curve .
J'espère que ces quelques suggestions supplémentaires vous aideront,
