2. Построение математических моделей по экспериментальным данным
Вид материала | Задача |
- План изучения дисциплины № п/п, 155.57kb.
- Лекция №8 Построение математических моделей технологических объектов и систем аналитическим, 98.99kb.
- Изучение математических функций с использованием км-школы в VII-VIII классах, 166.32kb.
- Шейчекова Марина Евгеньевна, 10А класс Научный Кулигина Анна Леонидовна, учитель информатики, 18.75kb.
- Тема: Построение математических моделей как предварительный этап алгоритмизации. Цель, 110.57kb.
- Рецензи я, 16.05kb.
- Название Лекция-семинар: Построение математических моделей целочисленного линейного, 64.42kb.
- Исследование математических моделей, 9.9kb.
- 1. Введение Основы анализа данных. Методология построения моделей сложных систем. Модель, 399.94kb.
- Утверждаю, 89.56kb.
2. Построение математических моделей по экспериментальным данным
2.1. Постановка задачи идентификации
Задача идентификации формулируется следующим образом. Пусть в результате каких либо экспериментов над объектом замерены его входные X=(х1, х 2,…хn) и выходные переменные Y=(y1, y2,…ym) как функции времени. Требуется определить вид (структуру) и параметры некоторого оператора Â, ставящего в соответствие переменные X и Y.



В реальных условиях переменные




xi=xiист±

yj=yjист±

Различают задачи идентификации в широком (структурная идентификация) и узком смысле (параметрическая идентификация) соответственно. В первом случае неизвестна структура и параметры оператораÂ, во втором – лишь параметры этого оператора.
Таким образом, задача идентификации модели тесно связана с проведением эксперимента и обработкой экспериментальных зависимостей.
Задача параметрической идентификации сводится к отысканию таких оценок параметров математической модели Â, которые обеспечивают в каком либо смысле близость расчетных




d у = max | урi – уэi|
mу = 1/Nå ( урi – уэi ), (2.1)

где: i = 1, 2…, N = m + l + k - номер опыта по измерению компоненты уэi
Таким образом, задача параметрической идентификации сводится к минимизации одной из функций вида (2.1). Для минимизации могут быть использованы известные численные методы решения экстремальных задач.
Обилие существующих методов идентификации отражает разнообразие используемых математических моделей и методов их исследования. Очевидно, что идентифицировать модель детерминированного, линейного, стационарного процесса (модель считается стационарной, если её параметры либо постоянные, либо меняются медленно по сравнению со временем, необходимым для их идентификации) известной размерности, с одним входом – существенно проще, чем аналогичного стохастического процесса неизвестного порядка и степени стационарности.
^ 2.2. Идентификация моделей с помощью регрессионного метода
Регрессионный анализ представляет собой классический статистический метод. Благодаря своим широким возможностям регрессионные методы давно и успешно используются в инженерной практике. В последнее время в связи с развитием и внедрением быстродействующих ЭВМ они широко используются для идентификации моделей, в том числе для идентификации динамических, многомерных процессов, систем диагностики и управления в реальном масштабе времени. Регрессионный анализ основывается на двух главных принципах.
1. ^ Методы применяются для линейных по идентифицируемым параметрам моделям. Структура математической модели процесса представляется функцией вида:

где аi – i-тый оцениваемый параметр; fi


Возможно представление идентифицируемой модели в следующей форме:

где аi, bj – оцениваемые параметры; fi


На практике, чаще всего в качестве fi


Естественно, и в этом случае с помощью удачно выбранного вида полинома можно существенно сократить размер модели, а значит и трудоемкость вычислительного процесса, как при идентификации, так и при использовании модели.
2. ^ Минимизируемой функцией ошибки (разности между прогнозируемой моделью и данными эксперимента) при регрессионном анализе является сумма квадратов ошибок. Благодаря этому удается применить метод наименьших квадратов, математический аппарат которого предельно прост, а вычислительные методы сводятся к методам линейной алгебры.
Регрессионные модели могут быть как линейными, так и нелинейными с любым числом входов и выходов.
^ 2.2.1. Идентификация статических линейных систем
с несколькими входами
Пусть необходимо идентифицировать систему с «n» входами x1, x2,…xn и одним выходом y. Представим структуру модели в виде линейного алгебраического уравнения вида:
y=a0 + a1 x1+ a2 x2+…+ anxn , (2.4)
где a0, a1,..an - параметры модели, подлежащие идентификации. В результате идентификации мы должны получить вектор оценок



Для определения значений





Разница


Определение оценок



Уравнения (2.7) позволяют построить вычислительный процесс идентификации вектора







К обсуждаемому типу линейных моделей простым преобразованием сводятся применяемые на практике мультипликативные модели. Действительно, модель типа

с помощью логарифмирования и замены у=lnW, xi=lnZi (i = 1, 2, …m) приводится к виду y=


^ 2.2.2. Идентификация нелинейных систем
Если величина среднеквадратичного отклонения идентифицируемой системы


Обозначим переменные Zi и произведения Zi Zj переменных в выражении (2.9) через новые переменные хi (i=1, 2,…m). С учетом этого, выражение (2.9) можно записать в виде:

что совпадает с (2.4).
Для большинства систем 20% факторов определяют 80% свойств. Поэтому в процессе идентификации несущественные параметры, влияние которых на величину среднеквадратичного отклонения мало, отсеивают. Тем самым определение значений постоянных коэффициентов в (2.9) и в эквивалентном ему выражении (2.10) представляет собой процесс структурно-параметрической идентификации.
^ 2.2.3. Достоверность (адекватность) регрессионной модели
Обычно мерой ошибки регрессионной модели служит стандартное (среднеквадратичное) отклонение


Стандартное отклонение – важный показатель для решения вопроса о достоверности модели. Большая ошибка может означать, что модель не соответствует процессу, который послужил источником экспериментальных данных. Однако большая ошибка модели может быть вызвана и другой причиной: большим разбросом данных измерений. В этом случае, возможно, потребуется взять большее количество выборок.
Для характеристики среднего разброса относительно линии регрессии применяют дисперсию адекватности:

Проверка значимости (качества предсказания) множественного уравнения регрессии можно осуществить на основе F-критерия Фишера. Вычисляют дисперсию среднего:

Вычисляют так называемую остаточную дисперсию


Сравнивают



^ 2.3. Построение моделей идентификации поисковыми методами
При нелинейной параметризации дело обстоит сложнее. Приходится решать систему нелинейных уравнений. Для этого можно использовать методы последовательного приближения.
Предположим, что y (функция отклика) – доля химического вещества А, оставшаяся к моменту времени x1 в результате реакции типа А→В. Зависимая переменная y удовлетворяет дифференционному уравнению (известно из литературы):

К= b1 ехр (-b2 / х2) , b1 – предэкпоненциальный множитель, b2 – энергия активации. Модель процесса

нелинейна по параметрам b1, b2 .



Если ввести



Начальные (нулевые) значения параметров b10,b20 могут быть получены методом линеаризации:
ln у = - b1х1 ехр ( -b2 / х2); ln у (- ln у) = ln b1 - b2 / х2 + ln х1 или





Поисковые методы идентификации. В этих методах принятый критерий невязки (показатель качества идентификации) формируется из выходных характеристик объекта и его идентифицируемой модели и минимизируется с помощью численных методов. Итерационный процесс изменения вектора идентифицируемых параметров определяется используемым алгоритмом (методом) поиска и текущей ситуацией.