8静态试验数据处理(汽车试验学).pptVIP

第八章 静态测量数据处理 第一节 试验数据结果的表达 静态数据是测定值不随时间变化的数据，常用以下三种方式来表达 . 图形表达 图形表达比较直观，一目了然，是常用的表达方法 . 坐标的选择与分度 数据描点与曲线描绘 ①描点 根据实验的测量结果（不是测定值），在直角坐标上标出实验点，实验点的标示可用各种形式，如点、圆、矩形、叉等，但其大小应与其误差相对应。 若考虑测量误差可用空心圆，矩形，正方形等标点，其中心是最可信赖值，边长 代表误差,见图8-1. P145. ③平滑处理 分组平滑 将实验数据分成2～4个数据为一组的若干组，分别求出各组的几何中心坐标根据这些点描绘曲线。 Lagrange插值多项式的优点在于不要求数据点是等间隔的，其缺点是数据点数不宜过大，通常不超过7个，否则计算工作量大且误差大，计算不稳定。 将表8-1中的数据画在坐标纸上， 如图8-5所示，从图中看出这些 点近似于一条直线，可用一条直 线来代表它们的关系，设: 式中： x—距离s; a, b—线性回归系数. 确定系数a, b的原则是对应同一自变量，实测数据与回归数据之差的平方和最小。 将a, b作为变量，求其值。 例：表8-1的显著性分析 ③ 相关分析法 二、多元回归模型 假设给出了n次观察值，得到 的估计值 2.几点说明： （1）总体回归方程参数的解释：二元为例 在其他条件不变下的影响，x1每增加一个单位，y平均增加（或减少） 个单位，这正是多元回归分析如此有用的原因所在。 类似地 ， 随机误差项主要包括下列因素的影响： 在解释变量中被忽略的因素的影响； 变量观测值的观测误差的影响； 模型关系的设定误差的影响； 其他随机因素的影响； 最小二乘估计 对于随机抽取的n组观测值 如果参数估计值已经得到，则 正规方程组的矩阵形式 回归平方和占总平方和的比例 计算公式为 因变量取值的变差中，能被估计的多元回归方程所解释的比例 当两变量间的关系不符和线性关系时，通常通过变量转换把回归曲线转化成直线，然后用一元线性回归方法求解或直接用回归多项式来描述，两变量之间的关系。 ⑴化非线性为线性 步骤如下： ① 选择合适的函数类型; ② 化非线性为线性; ③ 一元线性回归; ④ 变量反转换 . 在选择合适的函数类型时，可采用类比法，将实验数据与典型曲线（图8-5）比较，以确定类型，也可根据专业知识确定两变量之间的函数关系。 ⑵常见曲线的线性化公式 ①双曲线 ②对数曲线 ③求指数曲线 ④幂函数 解：1 确定回归方程的类型 将表8-4中的数据画在坐标轴上，如图8-9所示，从图中可以看出，数据点的分布与双曲线相似，于是可用下式表示: 2 线性化 3 一元线性回归 将x, y取倒数后，分别得到X，Y ，求a, b 得: a=0.0823 b=0.1298 Y=0.0823+0.1298X. 4 变量反转换 是k+1个总体回归 参数, y是可观测的被解释变量,μ是不可测的随机误差 Y的条件数学期望为： ---------多元线性总体回归方程 特别对只有两个自变量的线性总体方程： 则称如下估计方程： -----------样本（经验）回归方程 是在x1=0,x2=0时y的拟合值，虽然x1,x2都为0是一个有意义的情况，但在多数情况下都没有什么意义，但为了得到y的预测值，总是需要截距项。 给定x1与x2 的变化，可以预测y的变化，特别当x2的变化为0时 即 ，有 的解释： 参数解释： 在x2不变的条件下，x1每增加一个单位 ，y平均增加（或减少） 个单位 在x1不变的条件下，x2每增加一个单位 ，y平均增加（或减少） 个单位 也叫做偏回归参数。 （2）随机误差向 u 简化为 其中 回归残差平方和 根据最小二乘原理，参数估计值应该是下列方程组的解 于是得到关于待估参数估计值的正规方程 即: 由于X’X满秩，故有 ?有关的统计推断 可证明： 回归方程的相关检验 (ii) . 检验法则为： ， ， 8.2.2一元非线性回归