SOS la moindre carré

slt j'ai besoin d'aide j'ai un programme sur la méthode de moindre carré et je connais rien en matlab et ce projet compte a 70% de ma moyenne il sagite de
1- fabriqué une courb
2- générer une courb
3- lisser le signal bruité par la moindre carré
svp aidée moi car c urgent c mon avenir qui est en jeux merci d'avance
Configuration: Windows XP
Internet Explorer 6.0

12 réponses

  • Votes
  • Date
  • Date décroissante
  1. Contributeur
    un projet qui dure 15 j et fait 70% de la moyenne de l'année ? et ben, c'est vache ça !
    Ton avenir est en jeux, mais te donner la solution n'ai pas forcement une bonne chose. Tu devrai de poser des questions en effet sur ton avenir. Buter autant sur un projet si important... que fera tu dans ton futur travail si on te demande des choses similaire ??

    1-fabriqué une courbe, c'est facile, mais qu'est-ce que tu veux comme courbe ?
    2- je ne vois pas la différence avec 1-
    3- Pour lisser avec les moindre carré, je ne vois pas comme ça. Je sais faire des filtres et interpoler par méthode des moindres carré. Le problème, c'est que cette dernière méthode demande une fonction à corrélé.
    1. slt j'ai besoin d'aide j'ai un programme sur la méthode de moindre carré et je connais rien en matlab et ce projet compte a 70% de ma moyenne il sagite de
      1- fabriqué une courb
      2- générer une courb
      3- lisser le signal bruité par la moindre carré et le suprimé ce bruit

      svp aidée moi car c urgent c mon avenir qui est en jeux merci d'avance
      1. %******************************************
        % Génération de données expérimentales: *
        % y=1./(1+exp(-x))+0.05*randn(1,length(x))*
        %******************************************
        clc; % Effacer l'écran
        clear all; % Effacer des variables de l'espace de travail
        x=-5:0.1:5; % Intervalle de définition et de calcul de la sigmoïde

        % Fonction sigmoïde bruitée
        y=1./(1+exp(-x))+0.05*randn(1,length(x));
        plot (x,y); % Tracé de la sigmoïde bruitée
        title('Fonction sigmoïde bruitée - Polynôme d''interpolation');
        xlabel('x');ylabel('y');

        % Polynôme d'interpolation d'ordre 1
        P=polyfit(x,y,1);

        % Valeurs du polynôme d'interpolation
        Vp=polyval(P,x);

        % Tracé du polynôme d'interpolation
        hold on;

        plot(x,Vp,'--');
        % Calcul de l'erreur d'interpolation
        erreur=y-Vp;
        % Tracé de la courbe de l'erreur
        plot(x,erreur,':')
        grid

        gtext('Mesures')
        gtext('Erreur')
        gtext('Modèle')
        hold off
        % Affichage du polynôme d'interpolation
        disp('Polynôme d''interpolation')
        P
        Var_erreur=num2str(std(erreur).^2);
        disp(['La variance de l''erreur d''interpolation est : ',Var_erreur])
    2. Contributeur
      piste (30s sur google) :
      https://forums.ni.com/t5/Discussions-au-sujet-des-autres/Lissage-par-la-m%C3%A9thode-des-moindres-carr%C3%A9s/m-p/487384?profile.language=en
      et si tu as un peu de sous à dépenser (si ton avenir est en jeu, c'est pas 6 € qui t'arreteront)
      https://www.pimido.com/matieres-scientifiques-et-technologiques/informatique/dissertation/lissage-d-images-par-les-moindres-carres-548517.html
      Mais je pense qu'il faut un fonction.
      Par exemple, imaginons que nous ayons un nuage de point. Nous supposons, ou la théorie nous dit qu'ils doivent respecter une loi linéaire.
      Nous cherchons alors une droite d'équation y=m·x+p, de tel manière que l'on colle le mieux au résultat.
      Le méthode des moindres carrés est la pour ça : déterminer la meilleur droite, c'est à dire les coefficient m et p permettant de coller le plus au nuage de point.
      La méthode considère que la "distance" à la courbe est le critère pour y coller le mieux. Donc, on fait la somme des distance au carré :
      sum (p(i)-(m·x(i)+p))²
      Comme on veux que cette somme soit la plus petite possible, car c'est la valeur ayant les distances les plus faible, on cherche à annuler le gradient (en un minimum, le gradient est toujours nul).
      On dérive donc la somme par m et p, et on cherche le minimum.
      1. en féte j ss assise la depuis 8heurs et j'ai tjr pas résolue mon probléme alirs q fair?
        1. Salut tous le monde !!
          Voici un exercice en stat à convertir en Pascal ,je garde rien des stats ni des matrices !!

          Enoncé du problème :

          Dans le cadre de l'élaboration d'un plan de développement à titre
          indicatif, un groupe d'économètre doivent fournir une prévision des
          importations pour l'année 2010. Les importations leurs paraissent
          être liées à la production industrielle de ce pays. Or ils disposent
          d'une série chronologique des importations entre 1996-2005 d'une
          série de la production industrielle pour la même période et enfin
          d'une prévision de la production pour 2010.
          Au cours d'une première approche et par souci de simplification, ils
          adoptent un modèle linéaire simple à une variable explicative, puis
          plusieurs variables explicatives.

          Nous avons le tableau suivant :

          Milliards UM

          années Imp. PIB Pc C
          1996 197 1000 100 710
          1997 222 1008 102 760
          1998 222 1120 108 785
          1999 257 1220 95 855
          2000 275 1300 98 915
          2001 290 1340 90 930
          2002 294 1420 115 990
          2003 318 1480 102 1030
          2004 335 1560 93 1080
          2005 360 1620 92 1115

          Imp. : les importations.
          PIB : production industrielle brut.
          Pc : Indice de compétitivité.
          C : consommation de ménage de pays.

          Il vous est demandé de :

          1/ L'écriture matricielle du modèle d'importation : fonction de la
          production industrielle brute et l'indice de compétitivité.
          2/ Le calcul du modèle estimé notamment :
          -la matrice des variances et covariances de Ut, variable aléatoire
          exogène.
          -La matrice des variances covariances estimé de a*.
          -Les prévisions ponctuelles des valeurs des importations pour l'année
          2006.

          On donne le modèle d'importation :

          Mt = a1Yt + a2Pc + a3 + Ut
          L'estimation se fait par la méthode des moindres carrés (pour α = 5%)

          Transformer le problème ci-dessus en programme Pascal.
          1. je suis a mesure de vous rendre un service pour se faire, il vous vaudra mettre a ma disposition des données relatif à la creation de la courbe et le reste s'en suivra

            faite moi savoir votre serie chronologique
            1. SLt les gas j'aimerais bien avoir des cours sur les méthodes d'optimisation des systèmes linéaires par le moindre carre et le gradient et meme des programme matlab et quelques exercices merci
              1. alors tjr pas d'idée sur mon travaille svp éssayer de me donné en moin un signe car il me rest 5jours j'ai une petit aidée mais se que je n'arrive pas a fair le lissage
                svp
                1. merci de m'avoir répondue j'ai fait la premiére et la 2éme question mais la 3éme je n'ai aucune aidée .il nous on demander de supprimé le bruit (lissage,smoothing) par la moindre carré et la ???????????????alors quesque t'en dit?
                  1. je suis justement en face de ce problème là pour un cas de traitement du signal.
                    Comme Matlab est quand même plutôt pas trop mal foutu, et que tu sais que tu veux faire avec la méthode des moindres carrés, tu cherches ça dans l'aide (least squares en anglais)
                    là, tu trouves la super fonction polyfit, qui elle est basée sur la méthode des moindres carrés, et te donne les coefficients du polynome de régression. C'est toi qui choisi le degré de ton polynome en fonction de ta courbe de départ (ordre 1, regression linéaire, ordre 2, carré, ordre 3, cubique, ...)
                    ensuite, je ferais une moyenne glissante sur quelque points avec l'aide d'une petite boucle.

                    Si on nomme x mon signal, et t ma base, et n mon nombre de points (je veux donc filtrer x(t)), et si je calcule une regression glissante sur 4 points qui me donne le signal filtré y

                    for i=3:n-1
                    %calcul des coeff du polynome de regression pour le point i, à l'ordre 1
                    p=polyfit(t(i-2 : i+1), x (i-2 : i+1),1)
                    %calcul du point i
                    y(i)=p(1)*t(i)+p(2)
                    end

                    ensuite, tu initialises et tu termines ton signal filtré comme tu peux, par exemple avec les points non filtrés, ou filtrés différemment
                    tu peux bien sur adapter le degré et le nombre de points comme tu le sens en fonction de ton cas spécifique
                  2. @Bobj vous donne mon msn pour que vous m'éxpliquez mieux si vous vouliez bien?
                  3. @channelje ne vois pas trop les explications qui manquent, qu'est ce qui te bloque encore ?
                  4. @Bobje ss pas j'ai éssayer de fair se que vous m'avais dit mais sans succée
                  5. @channelsans succès = ?
                    - Matlab génère une erreur ?
                    - le programme ne filtre rien ?

                    Des pistes d'exploration :
                    - ton signal que tu veux filtrer est-il réellement bruité ?
                    - le nombre de points de l'interpolation est-il suffisant ?
                    - le degré d'interpolation est-il suffisant ?