Kurvenanpassung von Bild oder pdf

Question

Ich habe eine Reihe von Bildern wie diese IGBT characteristics, von der pdf-Datei kopiert. Ich suche Daten zu extrahieren und eine Kurvenanpassung durchzuführen.

1. Ich habe manuell Engauge Digitizer-Software versucht, numerische Daten aus Bild IGBT Vce vs Ic @ Tvj three curve's data .csv files zu extrahieren. Sie können drei Kurven im Bild sehen, jede Kurve ist abhängig von der Temperatur Tvj. Ich brauche Gleichung als
für jede Kurve passen

Vce25 = A25 * Ic + b25 * log (Ic) + C25 --- (1), a25, b25, c25 sind Koeffizienten für Tvj = 25C ​​

ähnlich können wir Vce125 und Vce150 Gleichungen für Temperatur 125 & 150 haben. Ich brauche diese drei Kurven als einzelne Gleichung {Vce = f (Ic, Tvj)} Koeffizienten als temperaturabhängig kombinieren. Ich muss Vce bei jedem gegebenen Ic und Tvj schätzen (zB: bei Ic = 200, Tvj = 50C Vce =?), Wie man Gleichungen kombiniert, um zu machen.

2. Wie geht das in R?

VCE -> Spannung, Ic -> Strom, Tvj -> Temperatur

Answer 1

Verwendung Spline Regression. Sie müssen eine Reihe von [x, y] -Paaren aus dem Bild lesen und einige davon als Knoten für ein stückweise lineares Regressionsmodell auswählen. Sehen Sie sich das Beispiel unten an und folgen Sie den Anweisungen.

1. Eine repräsentative Menge von [x, y] -Koordinaten erhalten.
2. Identifizieren Sie Knoten und notieren Sie X-Koordinaten.
3. Konstruieren eine Designmatrix
4. Fit ein stückweise lineares Modell
5. Plot

1: einen repräsentativen Satz von [x, y] Koordinaten Holen. Zu Veranschaulichungszwecken habe ich [x, y] -Proben aus einer verrauschten Sinuswelle erzeugt. Sie müssen die Bilder ablesen.

# Make a noisy sine-waver over two cycles with 500 samples 
n <- 500 
x <- seq(0, 4*pi, length=n) 
y <- sin(x) + rnorm(n, sd=0.33) 
plot(x, y) 

2: Identifizieren Sie Knoten und notieren Sie x-Koordinaten. Ich habe 12 Knoten zur Veranschaulichung verwendet.

# Add 12 knots 
knots <- seq(0, 4*pi, length=12) 

3: Konstruieren Sie eine Designmatrix

splineTerms <- sapply(knots, function(knot) (x > knot)*(x-knot)) 
designMatrix <- cbind(1, x, splineTerms) 

4: Setzen Sie eine stückweise lineare Modell

sticksModel <- lm(y ~ designMatrix - 1) # Intercept included in design 
yHat <- predict(sticksModel) 

5: Grundstück

plot(x, y, pch=21, col="blue", cex=2) 
lines(x, yHat, col="red", lwd=4) 

ich das verfolgt haben Prozess für Thermoelemente und andere nicht-lineare Sensoren und es Wo rks ziemlich zuverlässig.