1 Introduction à Scilab - CNRS Orleans
1 Introduction à Scilab - CNRS Orleans
1 Introduction à Scilab - CNRS Orleans
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
coef0 = [100 20 2];<br />
[J, coef] = optim(minimisation, coef0);<br />
fournit en retour la valeur de J minimale obtenue par la fonction minimisation lorsque les<br />
paramètres prennent les valeurs données dans coef.<br />
La syntaxe de la fonction qui calcule J doit obéir <strong>à</strong> une règle stricte :<br />
function [J, dJdp, K] = minimisation(p, K);<br />
...<br />
J = ....<br />
dJdp = ....<br />
endfunction<br />
où p est un vecteur qui contient les différents paramètres du modèle, J est l’écart quadratique<br />
(un scalaire), K est un paramètre qui ne sera pas utilisé ici (mais qui doit être déclaré) et dJdp<br />
est un vecteur contenant la dérivée partielle de J par rapport aux paramètres.<br />
La fonction minimisation.sci qui est donnée en annexe est un exemple de fonction qui calcule<br />
J et ses dérivées pour le cas d’une régression linéaire. Vous pouvez vous inspirer de cette<br />
fonction pour le cas de l’exponentielle.<br />
1. Concevez dans l’éditeur la fonction minimisation.sci (qui obéit <strong>à</strong> la syntaxe ci-dessus)<br />
afin qu’elle calcule la fonction de coût ainsi que sa dérivée partielle pour le modèle exponentiel.<br />
2. Au vu des résultats obtenus avec le modèle linéaire, déterminez quelle valeur initiale<br />
des paramètres a, b et c il faudrait prendre pour lancer la recherche non-linéaire.<br />
3. La fonction optim parvient-elle toujours <strong>à</strong> trouver la valeur des paramètres qui minimisent<br />
J ? Lancez la minimisation avec d’autres valeurs initiales et comparez la valeur<br />
de J ainsi obtenue. Regardez aussi ce qui ce passe quand b< 0 et c < 0.<br />
4. Relancezoptim avec la valeur des coefficients que vous venez de trouver en 3. La convergence<br />
se poursuit-elle ou bien optim a-t-il trouvé le minimum recherché ?<br />
5. Extrapolez les deux modèles jusqu’au temps t = 35. Lequel vous paraît le plus réaliste ?<br />
6. Effectuez un test du χ 2 pour décider lequel des deux modèles est le meilleur.<br />
16