基于MATLAB的环境数学模型参数估计.ppt

* * 思考题 1、 要求用不同的估计方法 * * 思考题 2、 * * 思考题 3、 4、 用非线性回归 用非线性回归 * * 第6讲：环境数学模型参数估计方法（一） 1、一元、多元线性回归参数估计 2、多项式回归参数估计 (自学) 3、非线性回归参数估计方法 4、非线性最小二乘优化参数估计(自学) * * 一、参数估计重要性 环境数学模型要实现求解，确定其参数是重要的一步。 模型中的参数有一些是通过试验手段获得、或者根据文献上资料获得、或者根据经验值获得。 上述参数在具体的时间、空间条件下，是否真正的适合某一模型，或者说其适合的程度有多高要靠参数估计的方法评价，并且以这些从各种途径获得的模型参数作为初值，利用参数估计的方法，获得最适合的模型参数是参数估计的最主要任务。 参数估计的方法多是一些数学上的优化方法，如最小二乘优化法、非线性优化规划法、梯度最优化算法、线性回归、非线性回归、经验公式等。 * * 二、什么是基于回归分析的参数估计？ 回归分析是一种数理统计的方法，用以估计变量之间的相关关系，这种相关关系可能是线性的，也可能是非线性的。 回归分析过程是根据因变量和自变量的大量观测数据，发现其大致规律，然后用一定的线性或非线性模型去拟合这些观测数据，回归分析得出因变量和自变量之间的确切数量相依关系式。 反过来，如果已经知道因变量和自变量之间数学模型的基本结构，如直线型、幂指数型、多项式型，只是不知道模型中的确切参数，则根据观测值，利用回归分析的方法将模型参数确定出来的过程就是参数估计的过程。 利用回归分析技术进行参数估计实际上要比完全意义上的回归分析简单一些。 * * 三、基于一元线性回归的参数估计 数学形式 * * 三、基于一元线性回归的参数估计 数学形式 * * 三、基于一元线性回归的参数估计 应用举例 * * 三、基于一元线性回归的参数估计 求解思路 * * 三、基于一元线性回归的参数估计 简单程序 将上述过程转化为如下的M文件。 S=[20 50 80 100 150 200 250 300 350]; mu=[1.18 2.17 2.82 3.03 3.49 3.65 3.97 4.11 4.22]; x=1./S;y=1./mu; X=[ones(size(x,1),1),x]; [ab,bint,r,rint,stats]=regress(y,X,0.05) mumax=1/ab(1);ks=ab(2)*mumax 运行结果 ab = [0.200 ；12.916] ；bint= （略去）；r =（略去）；rint =（略去）； stats =[0.9995 15412.8412 0.000000000001] %可见相关系数平方接近1.0，p值接近0 mumax = 4.97 ks =64.27 * * 四、基于多元线性回归的参数估计 问题描述 * * 四、基于多元线性回归的参数估计 应用举例 * * 四、基于多元线性回归的参数估计 求解思路 * * 四、基于多元线性回归的参数估计 编程实现 Mu=0.5;A=20;xx=500;%给出已知条件 t=[180 300 480 660 900 1140 1560 1800 2100 2400 3000 3600]; C=[14 150 450 624 656 578 393 302 212 147 69 32]; y=log(C.*sqrt(t));x1=1./t;x2=t;X=[ones(size(t,1),1),x1,x2];%构造因变量自变量矩阵 [b012,bint,r,rint,stats]=regress(y,X,0.05) %多元线性回归 T=xx/u;B=b012(3)*(-1),B=(-1)*b012(2)/T^2 %观察两种途径求得的B是否相等？ A0=exp(b012(1)-2*B*T); disp(由B算Dx，);Dx=u^2/(4*B),disp(由A0算Dx，);Dx=(M/(A0*A*sqrt(4*pi)))^2 * * 四、基于多元线性回归的参数估计 运行结果 b012 =1.0e+003 *[0.01239675394754 -1.24846558474483 -0.00000124753011] bint =（略去）；r =（略去）；rint =（略去） stats =1.0e+007 *[0.00000009999996 1.09793698679399 0] B =0.00124753011206 B =0.00124846558474 通过B计算出Dx，Dx = 50.06145204457062 通过A0计算出Dx，Dx = 50.101