基于数据分析的建模方法.pptVIP

二．经验模型的建立 * * * 基于数据分析的建模方法 * 在建立数学模型的过程中,经常需要建立 变量之间的关系. *由于对研究对象的内部机理不甚了解,不 能通过合理的假设,或根据物理定律、原理, 经过机理分析法而得到. 问题 解决思路 *选择适当的数学式对变量间的关系进行拟合. *通过对数据充分观察和分析, 获得数据所含 信息; *揭示变量间的内在联系; x o y * 借助于由实验或测量得到的一批离散数据. 两类变量关系 确定性关系 确定的函数关系 相关关系 存在相依关系,但未达到相互确定的程度. 两类数据 已知规律(函数)的测试数据(在特定时间点或距离上的数据) 呈现随机性的数据,可看成具有某种概率分布的随机样本值. 针对两种不同类型的数据, 有不同的建立模型方法: 1. 数据拟合法(适用于第一类数据) 基本思想 已知函数 y= f(x) 的一组测试数据 (xi , yi)， (i=1，2，…，n)， 寻求一个函数ψ(x)，使ψ(x)对上述测试数据 的误差较小，即ψ(xi)≈yi，于是可以用ψ(x) 来近似替代f (x). 常用的数据拟合方法：一般插值法、最小二乘法、样条函数光顺法等. 插值法的基本思想 寻找 f(x)的近似替代函数 φ(x), 在插值节点xi 上满足 φ( xi )=yi， (i=1,2,…，n)， 其余点用φ(x)近似替代f (x ), 称φ(x)为f (x)的 插值函数. 最小二乘法基本思想 寻找 f (x)的近似替代 函数φ(x), 使 2. 随机分析方法 对于随机数据进行拟合,可用统计学中的 回归分析方法或时间序列分析方法. 以上两种建模方法都是建立在对数据进行充分分析的基础上. 寻找或选择适当的函数拟合变量之间的关系 (函数关系或回归关系)是重要的环节. 一般步骤 1）绘制数据散点图； 2）分析数据散点图； 3）选择函数关系形式. 1) 通过分析数据散点图可以获得对变量间关系的感性认识, 形成初步的看法, 以便于对问题做进一步的分析. 氮施肥量N －土豆产量数据散点图 磷施肥量 －土豆产量数据散点图 2）分析数据散布图； 对数据散布图进行分析,可以分析出变量的 关系是： 1）线性的还是非线性的？ 2）有无周期性？ 3）呈现何种变化趋势？变化率如何？ …，等等有用的初步结论. 例6.2.1 建立一个简洁的函数关系式来描述 某个地区人的身高和体重的对应关系, 数据 见表7.4(p156). 曲线特征是体重W 随身高H 的增长而单调增长，但可以观察到是非线性增长. 身高－体重数据散点图 练习 试分析以下问题 1. 氮施肥量N、磷施肥量 P 关于土豆产量的数据散点图. 2. 海浪潮高度x 随时间t 的数据散点图. 3）选择函数关系形式 1. 形式尽可能简洁, 尽可能线性化； 原则 2. 依据实际问题的精度要求,合乎实际规律. 续例6.2.1 选择幂函数 W= , 描述身高体重关系. 优点 此函数可以线性化. 两边取对数, 有 变换为线性函数 例6.2.2 可选二次函数 注：其中 b0= y(0) = 15.18. 描述氮肥施肥量与土豆产量间的变量关系. 关于磷肥施肥量和土豆产量的变量关系可 选择威布尔模型： 合理性? 3. y 是单调升函数. 也可以选择S 函数： S函数也满足： 3. y 是单调升函数； 哪个模型更好？ 分析 S 模型所含参数更少, 另外若令 可得线性模型 回归模型是用统计分析方法建立的最常用的一类模型 数学建模的基本方法 机理分析 测试分析 通过对数据的统计分析，找出与数据拟合最好的模型 不涉及回归分析的数学原理和方法 通过实例讨论如何选择不同类型的模型 对软件得到的结果进行分析，对模型进行改进 由于客观事物内部规律的复杂及人们认识程度的限制,无法分析实际对象内在的因果关系，建立合乎机理规律的数学模型。 牙膏的销售量 问题 建立牙膏销售量与价格、广告投入之间的模型 预测在不同价格和广告费用下的牙膏销售量 收集了30个销售周期本公司牙膏销售量、价格、广告费用，及同期其它厂家同类牙膏的平均售价 9.26 0.55 6.80 4.25 3.70 30 7.93 0.05 5.80 3.85 3.80 29 ? ? ? ? ? ? 8.51 0.25 6.75 4.00 3.75 2 7.38 -0.05 5.50 3.80 3.85 1 销售量 (百万支) 价格差 （元） 广告费用 (百