تولباکس برازش منحنی (curve fitting) در نرم افزار متلب MATLAB یک ابزار آماده برای برازش منحنی و سطوح داده می باشد. شما در این جعبه ابزار می توانید آنالیز داده، پیش پردازش و پس پردازش داده ، مقایسه مدلهای کاندید و حذف outlier انجام دهید.
شما در این جعبه ابزار می توانید آنالیز رگرسیون با استفاده از مدلهای آماده خطی و غیرخطی انجام دهید یا خودتان مدل دلخواه خود را بسازید.
در این جعبه ابزار شما می توانید از حل کننده های (solver) بهینه شده برای بهبود کیفیت برازش (fit) استفاده کنید. این جعبه ابزار همچنین شامل تکنیک های مدلسازی غیرپارامتری مانند درونیابی و هموارسازی و splines هم می باشد.
بعد از ساخت مدل شما می توانید روشهای پس پردازش مختلفی را بر روی مدل خود اعمال کنید.

.
به طور خلاصه تولباکس برازش منحنی در متلب دارای ویژگیهای زیر است :

• برازش منحنی برای منحنی و سطوح
• رگرسیون خطی و غیرخطی با معادله های سفارشی
• کتابخانه ای از مدلهای رگرسیون با نقاط شروع و پارامترهای حل کننده بهینه شده
• روشهای درونیابی شامل B-spline و spline صفحه ای و spline tensor-product
• تکنیک های هموار سازی شامل spline هموارکننده و رگرسیون متمرکز و فیلترهای Savitzky-Golay و میانگین های متحرک
• روشهای پیش پردازش شامل حذف outlier و بخش بندی و تغییر مقیاس و وزن دهی داده ها
• روشهای پس پردازش شامل درونیابی و برونیابی و بازه های اطمینان (confidence ) انتگرال و مشتق

لینک دانلود

پیش نمایش 1 :

.

لینک دانلود (کیفیت بالا)

پیش نمایش 2 :

.

لینک دانلود (کیفیت بالا)

پیش نمایش 3 :

.

لینک دانلود (کیفیت بالا)

پیش نمایش 4 :

.

لینک دانلود (کیفیت بالا)

پیش نمایش 5 :

.

لینک دانلود (کیفیت بالا)

نوشته فیلم آموزش فارسی جعبه ابزار برازش منحنی در متلب اولین بار در ايران متلب. پدیدار شد.

برای حل معادله گرما در زمان t و در فضای تک بعدی از دستور pdepe استفاده می کنیم.

فرم کلی معادله سھمی وار متلب بصورت زیر می باشد  .

و ھمین طور فرم کلی شرایط مرزی بصورت زیر می باشد.

که x_l نمایانگر نقطه ابتدا و x_r نمایانگر نقطه انتهایی شرایط مرزی می باشد.توجه کنید که b دارای مقدار ثابت در هر دو معادله است.هر کدام از معادله های بالا را در m.file جداگانه قرار می دهیم.مقادیر s,b,c را از مقایسه معادله حاکم در مثال با فرم کلی معادله سهمیگون در متلب بدست اورده و در m.file قرار می دهیم.مقادیر p,q را نیز از مقایسه شرایط مرزی مسئله با فرم کلی شرایط مرزی تعریف شده برای متلب بدست می اوریم.و در اخر نیز شرایط کرانه ای را در m.file سوم قرار می دهیم.سپس به کمک دستور pdepe سه m.file را ترکیب کرده معادله را حل می کنیم.

:Example

معادله  اصلی بصورت:

شرایط مرزی بصورت:

و شرایط اولیه بصورت:

کاملا مشخص است که مقدار c=1 می باشد.همچنین ما در طرف راست معادله حاکم بر مسئله مشتق دوم بر حسب x را داریم.پس مقدار b باید برابر u_x باشد.مقدار s نیز که به وضوح مشخص است که برابر 0 می باشد. ملاحضه کردید که مقادیر c,b,s طوری در معادله سهمیگون مقدار دهی شدند که به معادله حاکم بر مسئله برسیم.مقدار m نیز باید برابر 0 باشد تا عملا x از معادله حذف شود. m را در اخر مقدار دهی میکنیم.

کد زیر نمایانگر معادله اصلی و در eqn1.m ذخیره می کنیم.

function [c,b,s] = eqn1(x,t,u,DuDx)

%EQN1: MATLAB function M-file that specifies

%a PDE in time and one space dimension.

c = 1;

b = DuDx;

s = 0;

برای شرایط مرزی نیز مطابق معادله اصلی عمل می کنیم. برنامه نویسان شرایط مرزی را بگونه ای به فرم بالا در اورده اند تا برای تمامی معادلات عمومیت داشته باشد.ما با تعیین ضرایب بگونه ای عمل می کنیم تا فرم کلی شرایط مرزی تبدیل به شرایط مرزی مثال شود.

به شرایط ابتدایی دقت کنید.مقدار q برابر 0 است تا b حذف شود.در متیجه p برابر با u می شود.

و برای شرایط انتهایی نیز به همین صورت, q برابر صفر و مقدار p برابر با u-1 است.حالا نتایج رو در فایل bc1 ذخیره می کنیم.

function [pl,ql,pr,qr] = bc1(xl,ul,xr,ur,t)

%BC1: MATLAB function M-file that specifies boundary conditions

%for a PDE in time and one space dimension.

pl = ul;

ql = 0;

pr = ur-1;

qr = 0;

و همینطور شرط اولیه را در initial1.m ذخیره می کنیم.

function value = initial1(x)

%INITIAL1: MATLAB function M-
le that speci
es the initial condition

%for a PDE in time and one space dimension.

value = 2*x/(1+x^2);

و حالا نوبت به حل مساله به کمک دستور pdepe رسیده است.مساله را در زمان 10ثانیه نخست و طول واحد(مثلا یک لوله به طول واحد) حل می کنیم.

%PDE1: MATLAB script M-file that solves and plots

%solutions to the PDE stored in eqn1.m

m = 0;

% NOTE: m=0 specifies no symmetry in the problem. Taking

% m=1 specifies cylindrical symmetry, while m=2 specifies

% spherical symmetry.

%

% Define the solution mesh

x = linspace(0,1,20);

t = linspace(0,10,10);

%Solve the PDE

u = pdepe(m,@eqn1,@initial1,@bc1,x,t);

% Plot solution

figure(1)

surf(x,t,u);

title(‘Surface plot of solution’);

xlabel(‘Distance x’);

ylabel(‘Time t’);

figure(2)

for i=1:length(t)

   plot(x,u(i,:))

   hold on

end

جواب u بصورت یک ماتریس به اندازه t و x ذخیره شده است.برای مثال (u(1,5 مقدار دما در نقطه((t(1),x(5)

مشخص می کند.

ما می تونیم به کمک دستور((:,plot(x,u(1 بردار دما را در اغاز (t=0) رسم می کنیم.

مثال بعدی :

وکد زیر رو برای مساله به این صورت می نویسیم:

function [c,f,s] = eqn2(x,t,u,DuDx)

c = pi^2;

f = DuDx;

s = 0;

function [pl,ql,pr,qr] = bc2(xl,ul,xr,ur,t)

pl = ul;

ql = 0;

pr = pi * exp(-t);

qr = 1;

function u0 = initial2(x)

u0 = sin(pi*x);

و از دستور pdepe استفاده می کنیم:

m = 0;

x = linspace(0,1,20);

t = linspace(0,5,20);

u = pdepe(m,@eqn3,@initial3,@bc3,x,t);

figure(1)

surf(x,t,u);

title(‘Surface plot of solution’);

xlabel(‘Distance x’);

ylabel(‘Time t’);

figure(2)

plot(x,u(2,:))

title(‘Solution at t = 2’)

xlabel(‘Distance x’)

ylabel(‘u(x,2)’)

% Creat animation

figure(3)

fig = plot(x,u(1,:),’erase’,’xor’);

for k=1:length(t)

 set(fig,’xdata’,x,’ydata’,u(k,:),’color’,’r’)

 pause(0.1)

end

دریافت کتابچه حل معادلات ديفرانسيل با مشتقات پاره اي با MATLAB

نوشته اموزش متلب_pdepe(حل عددی معادله حرارت پاره ای وابسته به زمان) اولین بار در ايران متلب. پدیدار شد.

همان طور که می دونید برای حل معادلات PDE  ما نیاز داریم که ناحیه ای را مشخص کنیم تا معادله ما در این ناحیه حل شود. به عنوان مثال می خواهیم تغییرات گرما در یک ناحیه مستطیلی را بدست بیاوریم. می بایست ابتدا یک مستطیل تعریف کنیم یا بکشیم و سپس آنرا مش بندی کنیم.

در مرحله اول دستور pdetool را در پنجره فرمان بزنید :

با این کار پنجره محیط pdetool باز می شود و شما می توانید ناحیه های دلخواه خود را رسم کنید.

یک راه دیگر رسم نواحی دلخواه استفاده از دستورات متلب می باشد.

pderect([-0.5 1 -0.5 1],’R1′)

 یک مستطیل می کشد که گوشه چپ پایین آن در مختصات -0.5 و -0.5 قرار دارد و گوشه بالای سمت راشت در 1 و 1 قرار دارد. بر چسب آن را R1 می گذارد.

pderect([-0.2 0.8 -0.2 0.8],’R2′) 

یک مستطیل می کشد که گوشه چپ پایین آن در مختصات -0.2 و -0.2 قرار دارد و گوشه بالای سمت راست در 0.8 و 0.8 قرار دارد. بر چسب آن را R2 می گذارد.

pdecirc(0.3,0.3,0.4,’C1′)

 یک دایره به مرکز 0.3 و 0.3 می کشد که اندازه شعاع آن 0.4 است.

بعد از مشخص کردن ناحیه ها، می توانیم یک ناحیه را از دیگری کم کنیم و بین آنها را بگیریم.

برای انجام این رابطه ها از نوار ابزار set formula استفاده کنید و فرمول مورد نظرتون را وارد کنید.

مثلا در اینجا ما وارد می کنیم :

R1-R2+C1-C2

در مرحله بعد باید مش بندی کنیم برای این کار از منو Mesh

Initialize mesh را انتخاب می کنیم :

با دستور بالا مش بندی مثلثی انجام می شود.

شما می توانید این مش بندی را تغییر دهید. مش بندی مثلثی پیش فرض نوع مش بندی در pdetool در متلب می باشد.

همانطور که در شکل بالا می بینید مثلث های مش تقریبا بزرگ هستند. برای کوچک تر کردن مش و دقت حل معادله، می توانید از منو mesh

refine mesh را انتخاب کنید. که مثلث ها را بر چهار تقسیم می کند.

پست قبلی ما در مورد حل معادلات مشتق جزیی در متلب را نیز ببینید.

https://matlab1.ir/?p=1369

نوشته حل معادلات PDE با pdetool متلب اولین بار در ايران متلب. پدیدار شد.

اگر هزینه شرکت در کلاس متلب را ندارید

اگر نمی تونید در کلاسهای برنامه نویسی ما شرکت کنید

ما برای شما مجموعه ای از بهترین اسلایدهای فارسی آموزش متلب را تهیه کردیم که می تونید در اینجا دانلود کرده و لذت ببرید.

ویژگیهای اصلی متلب

oآشنایی با محیط متلب

oعملیات ریاضی ساده

oعملگرهای ریاضی متلب

oفضای کاری متلب (Workspace)

oفرمت نمایش اعداد

oانواع متغیرها

oنامگذاری متغیرها

o متغیرهای ویژه

o علائم نقطه گذاری و جملات توضیحی

o اعداد مختلط

oبعضی از توابع ریاضی در متلب

oراهنمای متلب

oفایلهای متنی یا m-فایلها

oمدیریت فایل در متلب

MFasl01_matlab1.ir

آرایه ها در متلب

MFasl02_matlab1.ir

توابع و عملیات ماتریسی

MFasl03_matlab1.ir

عملیات منطقی و رابطه ای

MFasl04_matlab1.ir

رشته های کارکتری

MFasl05_matlab1.ir

تصمیم گیری و کنترل روند و حلقه ها و دستورات شرطی

MFasl06_matlab1.ir

ایجاد توابع یا تابع در متلب

MFasl07_matlab1.ir

تجریه و تحلیل فوریه

MFasl08_matlab1.ir

نمودارهای دو بعدی

MFasl09_matlab1.ir

چند جمله ای ها در متلب MATLAB

MFasl10_matlab1.ir

برازش منحنی و درونیابی

MFasl11_matlab1.ir

نمودار های سه بعدی در متلب MATLAB

MFasl12_matlab1.ir

نوشته مجموعه ای از بهترین اسلایدهای آموزش فارسی متلب MATLAB اولین بار در ايران متلب. پدیدار شد.

ANFIS(adaptive network-based fuzzy inference system) شبکه تطبيق پذير و قابل آموزشی است که به لحاظ عملکرد کاملا مشابه سيستم استنتاج فازی است.

برای سادگی کار فرض می کنيم که سيستم فازی ما دو ورودی x و y دارد و خروجی آن z است. حال اگر قوانين به صورت زير باشند :

و اگر برای غير فازی ساز از غير فازی ساز ميانگين مراکز استفاده کنيم خروجی به صورت زير خواهد بود:

ساختار معادل ANFIS به صورت زير خواهد بود:

لايه 1: در اين لايه ورودي ها از توابع عضويت عبور(membership functions) می کنند.

توابع عضويت هر تابع پارامتری مناسبی می تواند باشد که در اکثر موارد توابع گاوسين انتخاب می شوند. مثل تابع زنگی شکل عمومی:

که  aو b وc مجموعه پارامترها هستند. پارامتر های اين لايه به پارامتر های اوليه       (premise parameters) معروف هستند.

لايه 2: خروجی اين لايه ضرب سيگنال های ورودی است که در واقع معادل قسمت اگر قوانين هستند.

لايه 3: خروجی اين لايه نرماليزه شده لايه قبلی است:

لايه 4:

لايه 5: خروجی اين لايه خروجی کلی سيستم است:

اکنون يک شبکه توليد شده است که معادل سيستم استنتاج فازی سوگنو است.

حال قرار است روش های آموزش چنين شبکه ای بررسی شود.

برای اين کار ابتدا در لايه 1 تمام قوانين موجود را تشکيل می دهيم.به طور مثال اگر 2 ورودی داشته باشيم که هر کدام 3 تابع عضويت داشته باشد 9 قانون بايد تشکيل دهيم.

که به صورت زير خواهد بود.

روشهای مختلف آموزش ANFIS

1-  Gradient Descent

2- ترکيبی (hybrid)

3- Levenberg-Marquardt

روش ترکيبی(hybrid)

در اين روش از ترکيب روش گراديان نزولی و حداقل مربعات خطا (LSE) استفاده می شود.

روش ديگری نيز برای محاسبه پارامتر ها وجود دارد که يک روش بازگشتی است (RLSE) اين روش به دو دليل به وجود آمده است.

1-   گاهی ممکن است که ماتريس  معکوس پذيز نباشد.

2-   فرض کنيد  را حساب کرده ايم اگر يک جفت داده ورودی خروجی جديد به سيسیتم اضافه شود در روش قبل دوباره بايد کل پارامتر ها محاسبه شوند ولی در اين روش فقط مقدار پارامتر جديد به دست می آيد.

طريقه آموزش ANFIS با روش ترکيبی

در هر تکرار feedforward  می رويم تا وقتی که ماتريس A که در روش LSE گفته شد به دست آيد. خروجی ها را هم که داريم . سپس توسط روش ترکيبی پارامتر ها را به دست می آوريم. لازم به ذکر است که همه داده های آموزشي بايد اعمال شوند و همجنين پارامتر های اوليه(premise patameters)  ثابت نگه داشته می شوند. سپس پارامترهای تالی (conclusion parameters) ثابت نگه داشته می شوند و پارامترهای اوليه توسط گراديان نزولی تنظيم می شوند.

دانلود فایل کامل

محصولات مرتبط

نوشته سيستم های فازی بررسی روشهای مختلف آموزش ANFIS اولین بار در ايران متلب. پدیدار شد.

شبکه بیزین یک ابزار نسبتاً جدید برای شناسایی (هویت) روابط احتمالی به منظور پیشگویی یا ارزیابی کلاس عضویت است.

به طور خلاصه می توان گفت شبکه بیزین، نمایش بامعنی روابط نامشخص ما بین پارامترها در یک حوزه می‌باشد. شبکه بیزین گراف جهت دار غیر حلقوی از نودها برای نمایش متغیرهای تصادفی و کمانها برای نمایش روابط احتمالی مابین متغیرها به‌شمار می‌رود.

یک شبکه بیزین گراف جهت دار غیر حلقوی است و شامل موارد زیر می‌باشد:

1. نودها (دوایر کوچک): برای نمایش متغیرهای تصادفی
2. کمانها (پیکانهای نوک تیز) برای نمایش روابط احتمالی ما بین متغیرها

برای هر نود توزیع احتمال محلی وجود دارد که به نود وابسته‌است و از وضعیت والدین مستقل می‌باشد.

خصوصیات
شبکه‌های بیزین در زمینه استدلال احتمالی به طور گسترده مورد استفاده قرار می‌گیرند و به درخت متصل بر روی احتمالات استدلال شده تبدیل می‌شوند. شبکه‌های بیزین به تجزیه زیرگراف اصلی ماکزیمم درخت متصل تبدیل می‌شوند و بیشتر از درخت‌های متصل کاربرد دارند. شبکه بیزین عموماً به صورت آشکار با مقادیر اولیه قابل قبول و روابط ما بین متغیرها توزیع می‌شود. در مسائل دنیای واقعی بسیار کاربرد دارند. در چندین سال پیش شبکه‌های بیزین توسط افراد مورد توجه قرار گرفتند و به عنوان گروههای زیست شناسی در روش‌های شبکه‌های ژنی توسط افرادی به کار گرفته شدند. شبکه بیزین یک مدل گرافیکی برای نمایش احتمالات مابین متغیرهای موردنظر می‌باشد. از طرفی شبکه‌های بیزین روشی برای نمایش توزیع احتمالی پیوسته بزرگ به صورت نمایی و روش فشرده می‌باشند که اجازه محاسبات احتمالی به طور موثر را می‌دهند. آنها از ساختار مدل گرافیکی برای ضوابط مستقل مابین متغیرهای تصادفی استفاده می‌کنند. شبکه‌های بیزین اغلب برای شرایط مدل احتمالی استفاده می‌شوند و به استدلالهای تحت شرایط نامشخص (احتمالی، عدم قطعیت) کمک می‌کنند. این شبکه شامل بخش کیفی (مدل ساختاری) است که نمایش بصری از فعل و انفعالات در میان متغیرها و بخش کمی (مجموعه‌ای از مشخصات احتمال محلی) را فراهم می‌کند، که مجاز به استنتاج احتمالات و اندازه‌گیری عددی است که متغیرها یا مجموعه‌ای از متغیرها را تحت تاثیر قرار می‌دهد. بخش کیفی به صورت توزیع احتمالی پیوسته که منحصربه‌فرد می‌باشد بر روی کلیه متغیرها تعریف می‌شود.

از طرفي شبكه هاي بيزين روشي براي نمايش توزيع احتمـالي پيوسـته بـزرگ بـهصورت نمايي و روش فشرده مي باشند كه اجازه محاسبات احتمالي به طـور مـوثر را مـي دهنـد. آنهـا ازساختار مدل گرافيكي براي ضوابط مستقل ما بين متغير هاي تصادفي اسـتفاده مـي كننـد. شـبكه هـايبيزين اغلب براي شرايط مدل احتمـالي اسـتفاده مـي شـوند و بـه اسـتدلالهاي تحـت شـرايط نامـشخص(احتمالي ، عدم قطعيت) كمك مي كنند. [١١] اين شبكه شامل بخش كيفي( مدل سـاختاري) اسـتكه نمايش بصري از فعل و انفعالات در ميان متغيرها و بخش كمـي( مجموعـه اي از مشخـصات احتمـالمحلي) را فراهم مي كند ، كه مجاز به استنتاج احتمالات و انـدازه گيـري عـددي اسـت كـه متغيرهـا يـامجموعه اي از متغيرها را تحت تاثير قرار مي دهد .بخش كيفي به صـورت توزيـع احتمـالي پيوسـته كـهمنحصر به فرد مي باشد بر روي كليه متغيرها تعريف مي شود .[٥]به عبارت ديگر شـبكه بيـزين يـكگراف جهت دار غير حلقوي است [٥][١٠][٢٠][٢٩] [٧]كه شامل موارد زير مي باشد : [٥]
– نودها( دواير كوچك) : براي نمايش متغيرهاي تصادفي ، كمانها( پيكانهاي نوك تيز) براي نمايش روابط احتمالي ما بين متغيرها و
– براي هر نود توزيع احتمال محلي وجود دارد كه به نود وابسته است و از وضعيت والدين مستقل مي باشد
. شكل زير يك مثال از شبكه بيزين و جدول احتمال شرطي متناظر( كه اين شبكه بيزين نتايج حاصل ازتركيب شبكه بيزين با الگوريتم حريصانه با ۶۹۲ مجموعه از داده هاي حاصل از سرطان سينه مي باشـد) را نمايش مي دهد

الگوريتم هاي بهينه سازي بيزين :
محاسبات تكاملي الگوريتم هاي توزيع تخمينEDAs ، اولين بار توسط Muhlenbein معرفي شدند. EDAs الگوريتم هاي ژنتيك ساختاري مدل احتمالي به عبارتي PMBGAs ناميده مي شوند و براي تـشخيص بافتـاري جستجوي تكاملي بزرگ بدون دانش اوليه و ارتباط با مساله مورد مطالعه قرار مي گيرنـد. الگـ وريتم هـاي EDAs اگر چه مشابه الگوريتم هاي ژنتيك مي باشند اما به مراتب همانند آنها عمل نمي كنند. عملگرهـاي ژنتيـك صـريح مانند تقاطع و جهش مي باشند. در عوض آنها مدلهاي احتمالي از مجموعه اي از راه حل هاي اميدوار كننـده– مقادير شايستگي از رشته اي طويل (براي م اكزيمم كردن مساله) يا كوتاهتر( براي مينيمم كردن مـساله) سـاختهمي شوند ، و اين مدل بوجود آمده براي توليد رشته بعدي به كار برده مي شود .عموماEDAs به صورت دنبالـه ايتكراري از راه حل هاي بهينه كه در زير به آن اشاره شده بدست مي آيد .

ما برای شما کد های متلب شبکه عصبی بیزین را اماده کردیم که می توانید با پرداخت هزینه ناچیزی دریافت کنید.

یک فایل راهنما در مورد شبکه های عصبی بیزین (Bayesian network) که می توانید از لینک زیر دانلود کنید.

الگوريتم هاي بهينه سازي بيزين.matlab1.ir

نوشته پیاده سازی شبکه عصبی بیزین در متلب MATLAB اولین بار در ايران متلب. پدیدار شد.

جزوه ای که در این مطلب برای دانلود آماده شده است در ۲۰۰ صفحه و در قالب فایل pdf به آموزش کامل نرم افزار متلب (matlab) می پردازد. این جزوه آموزشی حاصل تلاش جناب آقای برمکی میباشد که از مبتدی ترین قدم ها برای آموزش نرم افزار متلب شامل آموزش نصب متلب ، آموزش پنجره های متلب ، تا آموزش پیشرفته که شامل انواع برنامه نویسی در محیط نرم افزار متلب را شامل میشود.

جزوه آموزشی کار با نرم افزار متلب که در این مطلب آماده شده در وهله اول برای افراد مبتدی و کسانی که تمایل به برنامه نویسی در محیط نرم افزار متلب را دارند تهیه شده است و در طول جزوه سعی شده است ، همه مطالب پله به پله از ابتدایی ترین دستورات شروع شود و جای سوالی برای خواننده نماند.

از مهمترین مطالب آموزشی در این جزوه میتوان به الگوریتم و آموزش الگوریتم برنامه نویسی ،نحوه نصب نرم افزار متلب ، آموزش پنجره های نرم افزار متلب ، شناخت عملگرها در متلب ، شناخت دستورات ابتدایی ، برنامه نویسی و تابع نویسی matlab ، آموزش توابع کاربردی متلب ، آموزش ماتریس ، ترسیم دو بعدی و سه بعدی اشکال به کمک نرم افزار متلب ، ترسیم توابع مختلف ، کار با چند جمله ای ها در متلب ، gui و … اشاره کرد.

لینک دانلود

نوشته دانلود جزوه آموزش کامل نرم افزار متلب matlab (برمکی ) اولین بار در ايران متلب. پدیدار شد.

شما مي توانيد از راههاي زير، برنامه هايتان را خطايابي (debugging) نمائيد:
– برنامه را به چند بخش كوتاهتر تقسيم كنيد و هر بخش را جداگانه امتحان كنيد.
– نتايج محاسبات را در مراحل مياني جريان برنامه بنويسيد. اين كار را مي توانيــد بـه آسـاني بـا برداشتن semicolon (;) از انتهاي دستور محاسباتي ويا نوشتن نام متغير مورد نظر انجام دهيد. همچنين مي توانيد با قرار دادن disp در مكانهاي مشخصي از برنامه دريابيد كه برنامه تــا كجـابه پيش رفته است.
– تا حد امكان سعي كنيد كه از عمليات ماتريسي استفاده كنيد و در برنامه از تعداد حلقــه هـايي كه همان كار را انجام مي دهند بكاهيد.
– خطوط مورد شك برنامه را بطور جداگانه در محيط كار MATLAB اجــرا كنيـد (ترجيحـا” بـه كمك copy-paste) تا درستي و يا نادرستي محاسبه را دريابيد.
– دقت كنيد كه پيغام خطا روي چه سطري از برنامه داده شده است و بويژه دقت كنيد كه پيغــام خطا چه مي باشد و چه معنايي دارد.
– امكانات خطايابي موجود در نرم افزار را به كمك بگيريد.

پيغامهاي خطا
بيشترين حجم پيغامهاي خطايي كه شما در ابتداي كار با MATLAB دريافت مي كنيد مربوط بــه عمليات و جايگزيني هاي برداري/ماتريسي است. در اين بخش نحوه تصحيح برنامه را با اســتفاده از پيغامهاي خطاي دريافتي با ذكر يك مثال نشان داده مي شود.

در نظر بگيريد كه مي خواهيد سطح PVT را بر اســاس قـانون گـاز كـامل رسـم كنـيد. داده هـاي ورودي به برنامه محدوده هاي فشار و دما به صورت برداري هستند و برنامه بايد حجـم ويـژه گـاز را محاسبه نمايد و سپس سطح را رسم كند. بهتر است كه محاسبه حجم در يك تابع جداگان ه انجـام گيرد تا اگر بخواهيد محاسبه را با معادله حالت ديگري نيز تكــرار كنيـد، نيـازي بـه نوشـتن مجـدد برنامه اصلي نداشته باشيد و فقط تابع محاسبه حجم را تغيير دهيد. فرض كنيد كه برنامه اصلـي و تابع مورد نياز را در وهله اول به صورت زير ايجاد كرده ايد:

برنامه اصلي (main.m)
% Input p = input(‘ Pressure (bar) = ‘);

t = input(‘ Temperature (K) = ‘);
% Calculation

v = ideal(t,p*1e5);

% Plotting results

surf(p,vol,t)

(ideal.m) تابع
function v = ideal(t,p)
R = 8314; % Gas constant (J/kmol.K)

v = R*t/p; % Ideal gas law

حال در صورتي كه اين برنامه را اجرا كنيد، پيغام خطاي زير را دريافت مي كنيد:

» main

 Pressure (bar) = [1:10]

 Temperature (K) = 300:5:400

??? Error using ==> /

Matrix dimensions must agree.

Error in ==> C:\MATLABR11\work\ideal.m

On line 4  ==> v = R*t/p;                                % Ideal gas law

Error in ==> C:\MATLABR11\work\main.m

On line 6  ==> v = ideal(t,p*1e5);

 همانطور كه ملاحظه مي كنيد اشكال از سطر ٦ برنامه اصلي كه مربوط بــه مراجعـه بـه تـابع اسـت گرفته شده و در حقيقت خطا در سطر ٤ تابع و مشخصا” در نحوه تقسيم دو بردار t و p وجــود دارد.  به ياد بياوريد كه در عمليات ماتريسي، ابعاد ماتريسها بايد اجازه انجــام چنيـن عملـي را بدهـد.  در اينجا با دو بردار t و p نمي توان عمل تقسيم را انجام داد و اصولا” در اين مس ئله مقصـود از عبـارت بكار برده شده براي محاسبه حجم گاز كامل انجام محاسبه ماتريسي نمي باشــد.  بنـابراين سـطر ٤ تابع ideal.m به شكل زير تغيير داده مي شود (بكار بردن تقسيم عضو به عضو بجـاي ماتريسـي) تـا محاسبه حجم به صورت ماتريسي صورت نگيرد :

function v = ideal(t,p)

R = 8314; % Gas constant (J/kmol.K)

v = R*t./p; % Ideal gas law

اما با اجراي مجدد برنامه مي بينيد كه مشكل حل نشده است:

» main

 Pressure (bar) = [1:10]

 Temperature (K) = 300:5:400

??? Error using ==> ./

Matrix dimensions must agree.

Error in ==> C:\MATLABR11\work\ideal.m

On line 4  ==> v = R*t./p;                               % Ideal gas law

Error in ==> C:\MATLABR11\work\main.m

On line 6  ==> v = ideal(t,p*1e5);

 اگر تعداد مولفه هاي بردارهاي t و p را در محيط كار MATLAB بخواهيم:

» length(p) ans =

    10

» length(t) ans =

    21

 ديده مي شود كه اين دو بردار هم اندازه نيستند و بنابراين عمليات عضو به عضو نيز نمــي تـوان بـر روي آن دو انجام داد.  در اينجا چاره اي نيست جز آنكه از يك حلقه در محاسبات استفاده نمـائيد و مقادير حجم ويژه را بر حسب دما، هر بار در يك فشار معين، محاسبه نمائيد:

function v = ideal(t,p)

R = 8314; % Gas constant (J/kmol.K)

for k = 1:length(p)

   v(:,k) = R*t/p(k);   % Ideal gas law

end

اما اين بار نيز با پيغام خطا مواجه مي شويد:

» main

 Pressure (bar) = [1:10]

 Temperature (K) = 300:5:400

???  In an assignment  A(:,matrix) = B, the number of elements in the subscript of A and the number of columns in B must be the same.

Error in ==> C:\MATLABR11\work\ideal.m

On line 5  ==>    v(:,k) = R*t/p(k);                              % Ideal gas law

Error in ==> C:\MATLABR11\work\main.m

On line 6  ==> v = ideal(t,p*1e5);

 توجه كنيد كه بردار دما يك بردار سطري است و در نتيجه سمت راست عبارت محاسبه حجم يــك بردار سطري خواهد بود.  اين در حالي است كه در سمت چپ همان عبارت يك بردار ســتوني قـرار دارد و پيغام خطا نيز از همينجا ناشي مي شود.  بنابراين تابع ideal.m بايد ب ه شـكل زيـر تصحيـح گردد:

function v = ideal(t,p)

R = 8314; % Gas constant (J/kmol.K)

for k = 1:length(p)   

    v(k,:) = R*t/p(k); % Ideal gas law

end

اين بار با اجرا كردن برنامه اصلي پيغام زير را مشاهده مي كنيد:

» main  Pressure (bar) = [1:10]  Temperature (K) = 300:5:400

??? Undefined function or variable ‘vol’.

Error in ==> C:\MATLABR11\work\main.m

On line 9  ==> surf(p,vol,t)

باز هم پيغام خطا!  اما اگر دقت كنيد مي بينيد كه اين بار پيغام خطا مربوط به تابع ideal.m نيست بلكه خطا از دستور مربوط به رسم داده ها گرفته شده است.  در حقيقت تابع كار خود را بــه خوبـي انجام داده و رفع اشكال شده است.  خطاي اين دفعه مربوط به اشتباه در نام متغير اسـت.  متغـير v كه قبلا” تعريف شده است اشتباها” در دستور surf با نام vol بكار برده شده اســت.  ولـي vol قبـلا” تعريف نشده است و در نتيجه MATLAB آن را نمي شناسد.  پ س از تصحيـح ايـن سـطر، برنامـه اصلي به صورت زير خواهد بود:

% Input p = input(‘ Pressure (bar) = ‘); t = input(‘ Temperature (K) = ‘);

% Calculation v = ideal(t,p*1e5); % Plotting results surf(p,v,t)  

:اجراي اين برنامه پيغام زير را به دنبال خواهد داشت

» main  Pressure (bar) = [1:10]

 Temperature (K) = 300:5:400

??? Error using ==> surface Matrix dimensions must agree.

Error in ==> C:\MATLABR11\toolbox\matlab\graph3d\surf.m

On line 59  ==>     hh = surface(varargin{:}); Error in ==> C:\MATLABR11\work\main.m

On line 9  ==> surf(p,v,t)

خطاي اين دفعه باز هم مربوط به دستور surf و اين بار در باره نحوه معرفي آرايه ها به آن است.  بـا مراجعه به توضيحات (help) اين دستـور مشخص مي گردد كه آرگومان هاي اول و دوم ايـن دسـتور مي توانند بردار باشند ولي آرگومان سـوم بايد ماتريس باشد.  در اين حالت طول آرگومانــهاي اول و دوم بايد به ترتيب برابر با تعداد ستونها و سطرهاي آرگومان سوم باشد.  لــذا طبـق ايـن توضيحـات متغير v بايد آرگومان سوم دستور surf باشد و ضمنا” با مشاهده ابعاد اين متغير:

» size(v) ans =

    10    21

 مي توانيد بگوئيد كه آرگومان اول بايد بردار t و آرگومان دوم بــايد بـردار p باشـد.  بنـابراين برنامـه اصلي بايد به شكل زير اصلاح گردد:

% Input

p = input(‘ Pressure (bar) = ‘);

t = input(‘ Temperature (K) = ‘);

% Calculation v = ideal(t,p*1e5);

% Plotting results

surf(t,p,v)

xlabel(‘T (K)’)

ylabel(‘P (bar)’)

zlabel(‘V (m^3/kmol)’)

view(135,30)

در صورت اجراي برنامه نتيجه نهايي را خواهيد ديد.

» main

 Pressure (bar) = [1:10]

 Temperature (K) = 300:5:400

نوشته خطايابي برنامه ها در متلب MATLAB اولین بار در ايران متلب. پدیدار شد.

در اين بخش از يادداشت فقط بر نحوه برنامه نويسي و اجراي برنامه هـا تـاكيد شـده اسـت و نتـايج اجراي برنامه هاي مورد بحث نشان داده نشده اند.  به خواننده توصيه مي گردد كه خود برنامه ها را اجرا كرده و نتايج آنها را مشاهده نمايد.

برنامه اصلي

m-file ها مي توانند به دو شكل برنامه اصلي و تابع باشند.  برنامه اصلي عبارتست از مجموعـه اي از دستورها كه مي توان آنها را بطور جداگانه در محيط كار MATLAB اجرا نمود.  هنگــامي كـه نـام برنامه اصلي را در محيط كار MATLAB  بنويسيد اين دستورها به ترتيــب اجـرا مـي گردنـد.  بـه عنوان مثال براي محاسبه حجم گاز كامل، در دماهاي مختلف و فشــار معلـوم، دسـتورات زيـر را در ويرايشگر MATLAB بنويسيد و سپس تحت عنوان pvt.m ذخيره كنيد :

% A sample scritp file: pvt.m

disp(‘ Calculating the volume of an ideal gas.’)

R = 8314; % Gas constant (J/kmol.K)

t =   input(‘ Vector of temperature (K) = ‘);

p = input(‘ Pressure (bar) = ‘)*1e5;

v = R*t/p;   % Ideal gas law

% Plotting the results

plot(t,v)

xlabel(‘T (K)’)

ylabel(‘V (m^3/kmol)’)

title(‘Ideal gas volume vs temperature’)

علامت % نشانگر وجـود توضيحات در بـرنامه است.  علامت % و آنچه بدنبـــال آن در همـان ســطر مي آيد به هنگام اجراي برنامه ناديده گرفته مي شود.  همچنيــن علامـت . . . بيـانگر آن اسـت كـه دستور مورد نظر در اين سطر تمام نشده و در سطر بعدي ادامه مي يابد.  مورد استفاده اين علامــت بيشتر در مورد دستورهاي محاسباتي طولاني است كه براي مطالعه راحت تر ايــن قسـمت از برنامـه بهتر است در دو يا سه خط نوشته شود.

پس از ايجاد پرونده pvt.m، براي اجراي آن كافي اس ت كـه نـام آن را در محيـط كـار MATLAB بنويسيد و نتايج را مشاهده كنيد

استفاده از diary براي ايجاد برنامه

يك روش ايجاد برنامه براي مبتديان بكار بردن دستور diary است.  در صورت استفاده از دستور زير

» diary xyz

تمامي نوشته هاي محيط كار MATLAB پس از آن در پرونده xyz حك مي گردنــد.  پرونـده xyz بدون دنباله خواهد بود مگر آنكه خودتان براي آن دنباله مشخص كنيد.  در اين حــالت مـي توانيـد شروع به نوشتن دستورات مورد نظر در محيط كار MATLAB كنيد، نتايج را همان جا ببينيد و در صورت لزوم تصحيحات لازم را انجام دهيد.  هنگامي كه به پايان محاسبات و نتيجه دلخواه رسيديد، پرونده xyz را به كمك دستور زير ببنديد:

» diary off

اکنون مي توانيد پرونده xyz را باز كرده، خطوط و دستورهاي اضافي را از آن پاك كنيد و سپس بــا دنباله .m آن را ذخيره نمائيد.  به اين ترتيب يك m-file ايجاد كرده اي د كـه بـه نتـايج اجـراي آن اطمينان داريد.

تابع

علاوه بر توابعي كه همراه MATLAB هستند، شما مي توانيد توابعي را كه محاسبات مورد نيازتــان را انجام بدهد نيز ايجاد كنيد.  يك تابع يك يا چنـد داده را در ورودي دريـافت مـي كنـد و پـس از انجام محاسبات لازم نتايج را در قالب يك يا چند متغير خروجي به شما برمي گرداند.  خط اول يك تابع كه خط تعريف تابع نيز ناميده مي شود بايد از ترتيب زير پيروي نمايد:

–      function كلمه

–     نام متغير يا متغيرهاي خروجي.  در صورت وجود بيش از يك متغــير خروجـي بـايد آنـها را در كروشه گذاشته و با ويرگول از هم جدا كنيد.

–     علامت =

–     نام تابع.  پرونده اي كه تابع در آن ذخيره مي گردد بايد داراي همين نام با دنباله .m باشد.

–     آرگومان يا آرگومانهاي ورودي (كه با ويرگول از هم جدا شده باشند) در داخل پرانتز.

براي مثال تابع زير، كه بـايد در پرونـده ideal.m ذخـيره گـردد، حجـم گـاز كـامل را در فشـارها و دماهاي مختلف محاسبه مي نمايد:

function v = ideal(t,p)

% ideal: Calculation of ideal gas specific volume

% v=ideal(t,p) takes the vector of temperature (t) in K

% and the vector of pressure (p) in Pa and returns the % matrix of specific volume (v) in m3/kmol.

% Start of calculations

R = 8314; % Gas constant (J/kmol.K)

for k = 1:length(p)   

    v(k,:) = R*t/p(k); % Ideal gas law

end

حال اين تابع را مي توانيد در محيط كار MATLAB، در يك برنامه اصلي و يا در تابع ديگري بكــار ببريد.  مثلا”

» p=1:10; t=300:10:400;

» vol=ideal(t,p);

» surf(t,p,vol)

» view(135,45), colorbar

توصيه مي شود در توابعي كه مي نويسيد، پس از خط تعريف تابع، كار تابع و نحــوه بكـاربردن آن را در چند خط توضيح دهيد.  خطوط توضيح پيوسته اي كه در ابتداي تــابع مـي آينـد را مـي توانيـد همانند ديگر توابع و دستورهاي موجود در MATLAB با استفاده از دستور help مرور كنيد.

كنترل جريان محاسبات

MATLAB داراي چندين تركيب كنترل جريان محاسبات است كه به برنامه امكان مي دهد كه در حين اجرا تصميمات لازم را اتخاذ كرده و ترتيب اجراي دستورات را كنترل كند.  ايــن دسـتورها در زير شرح داده مي شوند.

if . . . (else . . .) end– دستور if برنامه را قادر مي سازد كه تصميم بگيرد كه چه دستورهايي بايد اجرا گردند.  مثال:

x = input(‘ x = ‘);

if x >= 0   

     y=x^2

end

عبارتي كه به دنبال كلمه if مي آيد بايد يك عبارت منطقي باشــد.  در صـورت درسـت بـودن ايـنعبارت منطقي، دستورهايي كه در سطرهاي بين if و end قرار دارند بترتيب اجــرا مـي گردنـد و در صورت نادرست بودن اين عبارت منطقي، دستورهاي گفته شده ناديده گرفته مي شوند.

شما همچنين مي توانيد از دستور else استفاده كنيد.  مثال:

x = input(‘ x = ‘);

if x >= 0   

   y=x^2

else   

   y=-x^2

end

در اين حـالت اگر عبارت منطقي مورد نظر درست باشد، مجموعه دسـتورهاي بيـن if و else اجــرا مي گردند و در غير اين صورت دستورهاي بين else و end قابل اجرا مي باشند.

for . . . end– دستور for به برنامه اجازه مي دهد كه دستورهاي درج شــده بيـن for و end را بـه دفعات معيني تكرار نمايد.  مثال:

k = 0;

for x = 0:0.2:1   

     k = k + 1   

     y = exp(-x)

end

while . . . end– در مواردي كه لازم باشد كه در حين اجراي برنامه مجموعه اي از دستورات تكرار گردند ولي تعداد دفعات تكرار معلوم نباشد بلكه اين عمليات تا ارضا شدن شرط يــا شـروط معينـي ادامه يابند، مي توان از دستور while استفاده نمود.  مثال:

x = 0;

while x < 1   

    y = sin(x)   

    x = x + 0.1;

end

همانند آنچه در مورد دستور if گفته شد، عبارتي كه به دنبال كلمه while مي آيد بايد يك عبــارت منطقي باشد كه در واقع همان شرط مورد نظر است.  در صورت صادق بودن ايــن عبـارت منطقـي، دستورهايي كه در سطرهاي بين while و end قرار دارند بترتيب اجرا مي گردند تا آنجايي كه شرط مورد نظر ديگر برقرار نباشد.

switch . . . case . . . (otherwise . . .) end – وقتي كه لازم باشــد كـه برنامـه بـر حسـب مقـاديرمختلف يك متغيـر، متناظرا” دستورهاي متفـاوتي را اجـرا كنـد، بكـار بـردن تركيـب switch-case راحت تر از بكار بردن چندين دستور if متداخل است.  مثال:

a = input(‘a =’);

switch a

case 1   

    disp(‘One’)

case 2   

    disp(‘Two’)

case 3   

    disp(‘Three’)

end

break و pause – دو دستور مفيد ديگر كه در برنامه نويسي مي توانند مــورد اسـتفاده قـرار گـيرند عبارتند از break و pause.  شما مي توانيد در صورت لزوم قبل از كامل شدن حلقه به كمك دستور break از آن خارج شويد.  هنگامي كه برنامه در حين اجرا به دستور pause برسد متوقف مــي مـاند تا اينكه شما كليدي را روي صفحه كليد فشار دهيد و سپس اجراي برنامه از دســتور بعـد از pause ادامه مي يابد.  مثال:

k = 0;

for x = 0:0.2:1   

    if k > 5      

       disp(‘k > 5’)      

       break   

    end   

    k = k + 1;   

    y = exp(-x);   

    disp([‘ k = ‘,num2str(k),’  y = ‘,num2str(y)])

    pause

end

در مثال فوق، برنامه هر بار پس از نشان دادن مقادير k و y متوقف مي ماند تــا اينكـه كليـدي روي صفحه كليد فشرده شود.  سپس حلقه for بار ديگر تكرار مي گردد و اين عمل آنقدر ادامه مي يــابد تا اينكه مقدار k از ٥ بيشتر شود.  در اين موقع دستور break باعث خروج برنامه از حلقــه for (و در اين مثال پايان اجراي برنامه) مي شود.

نوشته برنامه نويسي (m-files) در متلب اولین بار در ايران متلب. پدیدار شد.

یکی از توابع پر کاربرد متلب برای برازش داده ، تابع  fit می باشد .

با این تابع شما می توانید توابع زیادی را تقریب بزنید که در زیر خلاصه ای از آنها را می بینید .

چند جمله ای

Polynomial Model Names and Equations

Examples of Polynomial Model Names for Curves           Equations

poly1                                                                                      Y = p1*x+p2

poly2                                                                                      Y = p1*x^2+p2*x+p3

poly3                                                                                      Y = p1*x^3+p2*x^2+…+p4

…etc., up to poly9                                                                 Y = p1*x^9+p2*x^8+…+p10

آموزش تول‌باکس کرو فیتینگ نرم‌‌افزار متلب

کرو فیتینگ (Curve Fitting) چیست؟

کروفیتینگ یا برازش منحنی، به عملی گفته می‌شود که با کمک آن می‌توان معادله‌های خطوط پیچیده را از مجموعه‌ای از نقاط عبور داد. این نقاط می‌توانند همان داده‌های آزمایشگاهی باشند. مثلاً شما تعدادی داده‌ی آزمایشگاهی دارید و می‌خواهید بهترین خط با معادله‌ی y=ax^2+Sin x را از این نقاط عبور دهید. معادله‌ی بدست آمده الزماً از داده‌های شما عبور نمی‌کند؛ این معادله بهترین معادله‌ای خواهد بود که به تمامی داده‌های شما نزدیک است. شما به کمک نرم‌افزار متلب (Matlab) می‌توانید این عمل را انجام دهید. در واقع، نرم‌افزار متلب به شما اجازه‌ی انتخاب هر نوع معادله‌ای را می‌دهد و شما با انتخاب نوع معادله و ورود داده‌ها به نرم‌افزار می‌توانید ضرایب معادله مورد نظر خود را بدست آورید. این معادلات می‌توانند چندپارامتری و یا چندمتغیره باشند. در ادامه‌ی مطلب به صورت تصویری، چگونگی برازش منحنی یا کرو فیتینگ ( Curve Fitting) در نرم‌افزار متلب را توضیح داده‌ام.

ابتدا در پنجره اجرای دستورات مطابق شکل تایپ کنید: cftool

اکنون پنجره مربوط به جعبه ابزار برازش منحنی (Curve Fitting Toolbox ) طبق عکس زیر، در محیط نرم‌افزار متلب باز می شود:

حال برای اجرای یک مثال ساده یا خود شما داده هایی را وارد نرم افزار متلب بکنید و یا هم دستور زیر را تایپ نمایید تا داده هایی از دیتا بیس نرم افزار متلب وارد محیط نرم‌افزار شود:

پس از اجرای دستور فوق در محیط نرم‌افزار با پنجره زیر مواجه خواهید شد:

ه شامل دو ماتریس می‌باشد.

حال از پنجره‌ی جعبه ابزار که قبلا باز کرده بودیم، روی data کلیک کنید تا مطابق شکل پنجره ای باز شود و گزینه های X , Y  را طبق شکل تنظیم کنید.

سپس بر روی  Create data set  کلیک کنید تا پنجره زیر ظاهر گردد:

روی View کلیک کنید.

اکنون روی close کلیک کنید.

حال به پنجره زیر بروید و روی Fitting کلیک کنید.

وقتی کلیک کردید پنجره زیر ظاهر می گردد:

وقتی شما چک باکس Immediate apply را علامت زدید و روی New Fit هم کلیک کرده باشید معادلات مختلف و ضرایبشان را مشاهده خواهید کرد و خطوط متناظر با این معادلات از مجموعه نقاط شما عبور خواهد کرد. در قسمت نتایج Result می‌توانید مقدار عددی رگرسیون نیز مشاهده کنید.

شما می توانید در یک شکل جند بار New Fit را بزنید و مطابق شکل چندین منحنی همزمان در یک صفحه از مجموعه نقاط شما عبور خواهد کرد.

برای اینکه بدانید  کدام یک از نقاط شما از سایر نقاط پرت است و به اصطلاح ممکن است بر اثر خطای آزمایش بوجود آمده باشد کارهای زیر را انجام دهید:

در تصویر بالا از منوی View  گزینه Residuals  و سپس Line Plot  را انتحاب کنید تا شکل زیر به پایین نمودار مطابق شکل اضافه شود:

این شکل نشان می دهد که نقاطی که نزدیک به ۱۹۴۰ هستند، ممکن است داده های پرت باشند و در صورت حذف این داده و داده سمت راست آن، منحنیِ بهتری و با دقت بیشتری خواهیم داشت که رگرسیون آن نیز به مراتب به واحد نزدیک‌تر خواهد بود.

تول باکس کروفیتینگ متلب امکانات گسترده‌ی دیگری نیز دارد. به عنوان مثال شما غیر از این ۳۵ معادله که می‌توانید داده‌های خود را روی آن‌ها فیت کنید، می‌توانید ترکیبی از این معادلات و یا هر معادله‌ی دل‌خواهی را از داده‌ها عبور دهید. اگر شما بخواهید که از امکانات این جعبه ابزار در وسط برنامه (m-file) استفاده کنید، شما باید از کدهایی که در هلپ نرم‌افزار توضیح داده شده، به کار ببرید. تول باکس کرو فیتینگ متلب قابلیت محاسبه‌ی مشتق عددی و یا انتگرال‌گیری از منحنی‌هایی که از داده‌های شما عبور می‌کند نیز دارد. هم‌چنین به کمک این جعبه‌ابزار می‌توانید معادلات چند متغیره و چند پارامتری را از داده‌هایتان عبور دهید.

نوشته آموزش جعبه ابزار برازش داده curve fitting در متلب matlab اولین بار در ايران متلب. پدیدار شد.