Главная страница Случайная страница Разделы сайта АвтомобилиАстрономияБиологияГеографияДом и садДругие языкиДругоеИнформатикаИсторияКультураЛитератураЛогикаМатематикаМедицинаМеталлургияМеханикаОбразованиеОхрана трудаПедагогикаПолитикаПравоПсихологияРелигияРиторикаСоциологияСпортСтроительствоТехнологияТуризмФизикаФилософияФинансыХимияЧерчениеЭкологияЭкономикаЭлектроника |
Построение эмпирических моделей по данным пассивного эксперимента
2.1. Определение вида приближённого уравнения регрессии В общем случае необходимо анализировать графики зависимостей экспериментальных данных выходных переменных y от входных x и по их виду выбирать конкретную форму функциональной зависимости (3). Преобразование системы координат y – x даёт возможность выбрать оптимальный вид функциональной зависимости (3). Для случая одной входной переменной х по опытным данным рекомендуется построить эмпирическую линию регрессии (рис.1) и с её помощью выбирать конкретный вид функции (3).
Изображение эмпирической линии регрессии: При этом весь диапазон изменения x (рис.1) разбивается на s равных интервалов Δ x. Все точки, попавшие в данный интервал Δ xj, относят к его середине xj*. После этого подсчитывают частные средние yj* для каждого интервала:
где nj – число точек в интервале Δ xj.
В результате объём выборки определяется по формуле:
Эмпирическая линия регрессии y по x получается в виде ломанной линии путём последовательного соединения отрезками прямой линии точек:
При выборе вида функции (3) для случая нескольких входных переменных
может быть применён метод Брандона, который здесь не рассматривается. В общем случае различают два вида уравнений регрессии (эмпирических моделей) – нелинейные по параметрам , статистический анализ которых осуществляется методом «нелинейной регрессии» и линейные по параметрам , статистический анализ которых проводится методом «линейной регрессии». Линейные по параметрам модели могут быть представлены в следующем виде:
где - линейные или нелинейные функции входных переменных ( ). Определение параметров (коэффициентов) линейных моделей и их регрессионный анализ существенно проще, чем для нелинейных моделей. Поэтому нелинейные модели, по возможности, стараются линеаризовать и привести к виду (6). Частными случаями уравнения линейной регрессии являются: А) полиномиальная регрессия, когда
и её разновидности – линейная регрессия от одной переменной (m =1):
и параболическая регрессия (m =2):
Б) трансцендентная регрессия и её разновидности в виде зависимости показательного типа:
которая линеаризуется логарифмически:
и дробно-показательного типа:
которая также линеаризуется логарифмически:
В) множественная регрессия, когда число входных переменных больше 1:
2.2. Определение коэффициентов регрессии – параметров эмпирических моделей (выполнение первого этапа регрессионного анализа). В соответствии с методологией регрессионного анализа в этом случае решается задача аппроксимации экспериментальных данных методом наименьших квадратов (МНК). На рисунке приведена графическая интерпретация МНК для случая регрессии от одной переменной х (* - экспериментальные данные, - расчётные данные по уравнению регрессии): При этом эксперимент проводится с использованием следующей таблицы: Вид функции одной переменной может быть выбран (решение задачи структурной идентификации) путём преобразования осей координат у – х как показано ниже. В результате преобразованная функция у становится линейной не только по коэффициентам регрессии, но и по преобразованной переменной х.
|