第七讲 静态数据处理.pptVIP

回归方程的确定就是确定系数a,b,据《数学分析》知，使Q取最小的a，b必须满足如下方程组： 即 解得： （7-44） （7-45） 或 （7-46） （7-46） 式中： * 3、对曲线拟合所得经验公式的精度进行检验 尽管最小二乘法反映的是误差最小原则，但所求得的经验公式的精度并非一定可以满足要求。因为，由前面的分析过程不难看出，前面计算中的误差最小只是测试结果与我们所选定曲线类型之间的误差最小，或许实测结果的规律原本就与选定曲线的类型不符。我们需对曲线拟合的精度进行检验。关于“精度”检验，人们提出过多种方法，在此仅介绍一种在工程上最常用的方法，即相对误差法。 所谓“精度”，事实上就是相对误差的大小。若能将经验公式的检测结果与实测值之间的相对误差控制在要求的范围内，显然是符合工程上的要求的，即： 7-47 式中： —允许的相对误差。 * 二、一元非线性回归 一元线性回归是工程实际中最简单的一种形式，但更多的是一些非线性的问题。下面介绍如何利用线性回归方法解决非线性问题。 1、确定经验公式类型 将测试结果描在坐标图上，并用光滑曲线将其连起来。江实验曲线与《数学手册》上的典型曲线（图7-5种列出了一些）进行比较，选取与试验曲线最接近的曲线方程作为经验公式的类型。 2、将曲线进行直线化变换 如：①双曲线方程 令 则： 变为： * ②对数曲线 令： 则： ③指数曲线 对上式两边取对数得： 令： ， 则： 3、按照前面所介绍的直线（一元线性）拟合的方法进行计算。 4、检验其曲线拟合的精度，若达不到所需精度的要求，则应重新选择曲线类型进行拟合，直至满足精度要求为止。 5、再将直线方程变换为原曲线方程。 * 图7-7几种常见的典型函数曲线 a 双曲线 b 指数曲线 c 幂函数曲线 d 对数曲线 e 指数曲线 f S型曲线 * 三、将试验结果拟合成多项式 前面所讲的典型曲线往往是有限的，当试验结果与任何一条典型曲线都不相符时，就要寻找新的曲线，显然那就是多项式。 （7-48） 1、多项式次数的确定 多项式次数的确定一般采用差分法。设自变量的取值是等间距的，即： 计算出因变量 的相邻值之间的差值，即一阶差值 ， ， ， 二阶差值 为 ， ， 三阶差值 为 ， ， n阶差值 为 ， ， * 当某阶差值满足下列关系式时， （7-49） 式中： — 的测量误差。 2、确定多项式的系数 同样用最小二乘法，即： （7-50） 令 ， ， ， ，即可求出 ， ， ， 的数值 3．经验公式精度的检验 多项式的曲线拟合，其拟合精度的检验方法与一元线性回归相同。 * 7.4 多元线性回归分析 一、多元线性方程 对一组样本 ，设其与 线性相关，即： （7-51） 式中： 为待定系数； 为n个相互独立相等精度的正态偶然误差。 采用矩阵记号 * 如此式（7-51）可记为： （7-52） 按最小二乘原理 可得关于B的正则方程组 （7-53） 解之得： （7-54） 多元线性回归方程为： （7-55） 二、多元线性拟合的精度检验 多元线性拟合的精度检验方法与意愿线性拟合的检验方法相同。 * 二、多元线性方程的分步拟合 多元回归需要评估各变量作用的大小进行分布拟合，即逐个地引入变量进行拟合。当由于新变量的引入变得不显著时，则随时从方程中剔除，直到既不能引入又不能剔除其它变量时为止，从而得到最优的回归方程。在具体实施过程中，主要是求解正则方程组，对每个过渡回归方程用偏回归平方、作方差分析和F显著性检验。 * 第七讲 静态测试数据处理 本讲的主要内容有测量误差、测量列的处理步骤与测量结果的表达、一元线性回归和多元线性回归方法等。 * 7.1 测量误差 一、测试精度与误差 测试精度：又称为精确度，用来描述测量结果与真值的接近 程度。 测试误差：在任何测量中，由于各种因素的影响，测量所 得到的数值与被测参数的真值不可能完全相同，而总会有差别， 这个差别称为测量误差。 测量误差按其性质的不同分为三类，即： 系统误差 随机误差 过失误差（粗大误差 ） * 系统误差 保持一定数值或按一定规律变化的误差，称为系统误差。如：由于仪器标度尺刻划的不准确；测量者观察仪器指针时习惯于斜视等原因引起的误差，就具有系统误差的特性。 随机误差 即使在相同的条件下，对同一参数重复的进行多次测量，所得到的测定值也不可能完全相同。其测量误差具有各不相同数值与符号，这种误差称为随机误差。 过失误差 由测量工作中的错误、疏忽大意等原因引起的误差，称为随机误差。 * 二、测量误差的分析与处理 测量误差的分析就是研究误差的性质与规律。即：研究和确定过失误差与随机误差之间的界限，以便舍弃那些含有过失误差的