多元非线性回归粘度建模.doc

非线性回归粘度建模报告 建模要求： 结合相关数据，以粘度为输出，选取其他的数据，即减一线温度，减压塔顶真空度，中层温度，减一线收率，减压塔顶温度及常压塔收率为输入，构造粘度模型。所需数据见数据文件.txt”，共121组数据。 本设计采取统计假设检验方法中的法则来剔除过失误差。法则是一维情形剔除异常数据的一种较为粗糙的方法，但胜在简单易用。其含义是将落在区间(μ-3σ,μ+3σ)以外的实验数据认为是异常数据，其中μ是样本均值，σ为样本标准差。设样本数据为x1,x2,x3…xn,平均值为，偏差为 (i=1，2，…，n）,按照Bessel公式计算出的标准偏差为： 如果某一样本数据xi的偏差vi (1 ≤i ≤n)满足：,则认为vi是异常数据，应予以剔除。模型性能评价指标（1）相对误差 （2）本文主要采用相对均方误差作为模型的评价指标，其公式表示如下： 其中，N表示样本容量；yi表示软测量模型的标准值，这里即为粘度值；Yi表示模型的预测值。 R2010b版)下编译调试通过。 用数理统计方法研究随机变量间的不确定关系的规律性，称之为回归分析。该模型中，研究环境量（如水压、温度、收率等）和与效应量（如粘度）间的不确定关系，常借助回归分析方法，建立变量间的数学表达式，即回归模型，借此推算某一组环境量下的效应量，并与实际比较，以判别精馏塔的工作状况，对其进行监测。X1——减一线温度 X2——减压塔顶真空度 X3——中层温度 X4——减一线收率 X5——减压塔顶温度 X6——常压塔收率 y——减一线粘度 其中feixianxinghuigui.m为多元非线性回归分析程序，程序执行结束后，结果所显示的各项参数含义如下： S为标准差，R为复相关系数，RMSE为相对均方差，Q为（残差）平方和 其中R= 0.990543597153373，已经比较接近1，所以可以看出拟合效果比较不错。 最终模型表达式为： y=-36.7163759535222X1+272.563000316198X2+-0.0335960752853743X3+ -998.874086400371X4+0.298054426750113X5+501.962389131086X6+ 0.0621502946356258X12+-0.0421275071877185X2X3+7.15905552239529X3X4+ 8342.46962944263X4X6+0.769509167504876X4X5+-2.87366730340905X5X6+ -0.343585916692029 X2X3X4X5+5361.77929029274 粘度拟合直线和残差如下图所示： 　　　　　　　　　　 从以上结果看，用多元非线性回归作出的模型跟踪能力较强，但，当现场数据波动较大时，模型不能反映真实情况。由于均方差为0.024371699848353，还是比较小的，反映了模型的统计性能较好。 2.用多元非线性逐步回归法建立粘度的软仪表 选用减一线粘度的数据，有121组数据，每组数据6个输入，1个粘度数据的输出。所有可执行程序在文件夹“多元逐步回归程序”里面。程序在Matlab(R2010b版)下编译调试通过。 基本原理：逐步回归分析法是一种常用的回归分析方法。通常我们将环境量称为自变量或因子，将效应量称为因变量或预报量。逐步回归分析是从一个预报因子开始,按其对因变量作用的显著程度,从大到小地依次逐个地引入回归方程。当先引入的因子由于后面因子的引入而变得不显著时,就将其剔除。因此,逐步回归是有的步骤引入因子,有的步骤剔除因子,每一步都要作统计检验（F检验）,以保证每次引入新的显著因子以前,回归方程中只包含有显著因子,直到所有因子的作用都显著为止。X1——减一线温度 X2——减压塔顶真空度 X3——中层温度 X4——减一线收率 X5——减压塔顶温度 X6——常压塔收率 y——减一线粘度 其中feixianxingzhubuhuigu.m为多元非线性回归分析程序，程序执行结束后，结果所显示的各项参数含义如下： S为标准差，R为复相关系数，RMSE为相对均方差，Q为（残差）平方和 其中R= 0.985048862599354，已经比较接近1，所以可以看出拟合效果比较不错。 最终模型表达式为： y=-0.0217573513829762X3 + 999.168509062839X4+ 0.0927164909879179X5+0.776537022061024X2X3+-2.31567573649983X4