当问题的机理非常不清楚难以直接利用其他知识来建模时.pptVIP

* 当问题的机理非常不清楚难以直接利用其他知识来建模时，一个较为自然的方法是利用数据进行曲线拟合，找出变量之间的近似依赖关系即函数关系。 经验模型和数据拟合 第三章 经验模型 经验模型 当问题的机理非常不清楚难以直接利用其它知识来建模时，一个常见的方法就是利用已有数据进行曲线拟合，找出变量之间函数关系的近似表达式，我们称之为经验公式。通过经验公式建立的模型称为经验模型。 经验模型区别于其它类型模型的特点是它的建立不需要根据问题机理去提出假设，它只是建模者对数据分析所做的经验判断。建模者要首先对照数据特点根据自己的经验判断该函数关系应当用哪类函数中的一个来近似表达，两者的偏差不会太大。其后，只需在此类函数中找出在某种意义下偏差最小的一个即可。 建立经验模型的一般步骤为： (1)将数据画在某坐标系中，观察这些点的分布，根据经验判定哪类函数作为近似表达式较为合适 (2)然后确定函数中的参数，使经验公式与数据的相符性在某种意义下最好 (3)最后，对公式做试用检验，考察其造成的误差是否在可接受的范围内，若不能接受，则需要修正经验公式，重新建模。 建立经验公式较为常用的方法有最小二乘法和插值方法。 (最小二乘法） 假设经过测量得到的n组数据列表如下： 24.8 25.3 25.7 26.1 26.3 26.5 26.8 27.0 7 6 5 4 3 2 1 0 将这些数据画在平面直角坐标系中，见散点图2-10。从图上可看出，这些点的分布大致在一条直线附近，于是我们根据经验判断y=f(x)是线性函数，并设f(x)=ax+b，其中a,b 为待定常数。 图3-1 常数a,b如何选定呢？我们当然希望 经过所有的数据点，即对于每个 ，能有 ，但此式一般是不成立的 我们只能要求 与 的偏差 ,都 很小。那么所有偏差之和 最小能否保证每个偏差都很小呢？显然不行，因为偏差有正有负，求和时有可能会互相抵消从而将偏差掩盖起来。若要求偏差的绝对值之和 很小的话，虽然可以避免这种相互 抵消，但函数不具备连续的导函数，不利于进一步的讨论。为避免上述两种情况的产生，我们一般都采用以误差的平方和 达到最小的方法来保证总体偏差较小。这种选择参数a、b的方法叫做最小二乘法。 是一个二元函数，由多元微积分知识，为使它取到最小，只需令其对变量、的一阶偏导数均为零，解相应的二元一次方程组即可，据此，不难求得： 其中 例1 （刀具的更换） 用自动化机床连续加工某零件，由于刀具损坏等原因会生产出次品，但实际情况是，当发现刀具已坏时，利用这把坏刀具也许已经生产了若干个次品。如果我们能在平时生产中留意一下，掌握刀具磨损的规律，在其坏掉之前就将它更换下来，也许可以减少因出次品而造成的损失。为此，我们做了这样一个实验，每隔一小时，测量一次刀具的厚度，得到后面表格中的数据，其中 ：刀具使用时间（单位：小时） ：刀具厚度（单位：毫米）。 24.8 25.3 25.7 26.1 26.3 26.5 26.8 27.0 Yj 7 6 5 4 3 2 1 0 Xi 经拟合，我们可得经验公式为 ，其图形见图2-11。假如我们发现在刀具的厚度为10mm时损坏的概率极大，那么我们只需令 ，得 ，即当刀具使用了近56个小时之后，刀具的厚度将变为10mm。因此我们可以考虑使用刀具55或56个小时后更新刀具（注：这里我们没有考虑更换刀具的费用。如果刀具较为昂贵，还应求解一个优化问题），已确定怎样做可以使总费用最省。 图3-2 例2 （地高辛的使用） 地高辛是用来治疗心脏病的一种药物。医生在开处方时必须写明用药量，要便保持血液中地高辛的浓度，使之既高于有效水平以保持药效，又不至于超过安全用药水平而导致危险，为此，医生必须研究地高辛在血液中的衰减率。假定地高辛在血液中的初始剂量为0.5mg（毫克），经过检测得到下表的数据如下： 表3 0.026 0.037 0.054 0.078 0.113 0.164 0.238 0.345 0.500 Y 8 7 6 5 4 3 2 1 0 X 其中x表示使用初始剂量之后的天数，而则表示某特定病人血液中剩余的地高辛含量。根据表中的数据，我们想建立y与之x间的关系。 将上述数据点画在x-y平面上，（如图2-12所示）显然这些点并不在任何一条直线的附近，不能使用我们前述的最小二乘法，但根据经验，这些数据好像在一条指数