检查两个向量(在你的情况下,只是一个矩阵的列)比例是非常容易的,然后计算比例常数。你需要小心,你不能测试向量之间的相关系数,因为它是微不足道的,有两种截然不同的向量并不成比例,然而,分享一个完美的关联。例如向量x, vectot y = 1 + x的相关系数1,但他们并不成比例。
负载g1.mat
负载t.mat
谁
t
情节(t)
不幸的是,我认为你误解了能做些什么,甚至比例到底意味着什么。g1和g1。* t彼此并不成正比。你multutiplied g1的元素,不恒定向量t, t不是常数。t / t的元素发生巨大的变化,所以,它甚至改变的迹象。所以g1不是正比于g1。* t。
例如,考虑向量
x = [1:5]”;
y = randn (5、1);
(x, y, y x。*)
是否有任何可能的原因决定x, x。* y相互“比例”?不。
鉴于这一切,你会做什么呢?你可能决定制定问题,有一个标量恒定值,这样只有向量g1和g1。不知道向量t * t,我们可以近似的第二个向量与产品g1 *年代?
老实说,如果你知道向量t
s =意味着(t);
可能是你想要做什么。但你可以试着估计标量常数。最好的估计是:由反斜杠符:
g2 = g1。* t;
s_ = g1、g2
正如你所看到的,因为g1和g2是复杂的估值,少量的虚部爬,但这只是浮点垃圾。
在这是一个小问题,更大的值(级)的g1成为那些有最大影响的结果估计。事实上,我们不会找到s_是一样的意思(t)。
意思是(t)
然后相关的问题是,是真正的两个向量距离比例?这是一个有效的问题。我们可能会比较规范(g1 * s - g2),然后按比例缩小的g1的规范。
格式长g
规范(g1 * s_ (g2) /规范(g1)
这将给我们一些meaure我们如何做。这里少数是好的。或者,也许我们可以制定它的人们经常使用,在附近1 R ^ 2是一件好事。所以:
1 -范数(g1 * s_ (g2) /规范(g1)
那么你会说模型是aruably体面,s_是一个体面的近似。最后,您可能决定绘制两个向量。
阴谋(1:元素个数(g1) (* s_ g1, g2),“o”)
或许问题是你需要欣赏比例意味着什么。
