ВУЗ:
Составители:
нивающую невязку
ε
- степень отклонения у(
х
) от (
^
y
х
, b ), ε = у (
х
) - (
^
y
х
, b ).
Эти отклонения указаны на рис.3 применительно к случаю, когда объект имеет
одну входную координату. В методе наименьших квадратов, используется
квадрат невязки:
22
)],()([)( bxyxyF
∧
−=ε=ε
Вид зависимости (
^
y
х
, b ) задается. В общем виде зависимость можно
представить в виде:
),,...,,,,...,,(
1021 pm
bbbxxxfy =
∧
(1)
где ( ) - вектор параметров модели (коэффициенты).
p
bbb ,...,,
10
Задача состоит в том, чтобы по опытным данным наилучшим образом
определить значения параметров b .
В этом случае метод наименьших квадратов сводится к следующему.
Наилучшими будут те значения параметров b , при которых сумма квадратов
отклонений расчетных величин (
^
y
х
, b ) от опытных у (
х
) окажется наименьшей.
Учитывая, что при нахождении параметров количество экспериментов n
постоянно, степень близости модели и объекта будет оцениваться величиной:
2
11
2
],()([)(
∑∑
==
∧
−=ε=
n
j
n
j
j
j
j
jj
bxyxybS
(2)
Таким образом, в методе наименьших квадратов параметры находятся из
условия:
S(b ) → min,
т.е. являются решением задачи минимизации суммы квадратов невязки
(этим и объясняется название метода).
Покажем, как решается эта задача.
Пусть функция задана в общем виде (I). Структуру модели, входящие в нее
входные координаты или функции от них, можно затем уточнить. Запишем
условия всех опытов в виде таблицы матрицы плана эксперимента:
7
^ ^ нивающую невязку ε - степень отклонения у( х ) от y ( х , b ), ε = у ( х ) - y ( х , b ). Эти отклонения указаны на рис.3 применительно к случаю, когда объект имеет одну входную координату. В методе наименьших квадратов, используется квадрат невязки: ∧ F (ε) = ε 2 = [ y ( x ) − y ( x, b)]2 ^ Вид зависимости y ( х , b ) задается. В общем виде зависимость можно представить в виде: ∧ y = f ( x1 , x2 ,..., xm , b0 , b1 ,..., b p ), (1) где ( b0 , b1 ,..., bp ) - вектор параметров модели (коэффициенты). Задача состоит в том, чтобы по опытным данным наилучшим образом определить значения параметров b . В этом случае метод наименьших квадратов сводится к следующему. Наилучшими будут те значения параметров b , при которых сумма квадратов ^ отклонений расчетных величин y ( х , b ) от опытных у ( х ) окажется наименьшей. Учитывая, что при нахождении параметров количество экспериментов n постоянно, степень близости модели и объекта будет оцениваться величиной: ∧ 2 n n S (b) = ∑ ε = ∑ [ y j ( x j ) − y j ( x j , b] 2 j (2) j =1 j =1 Таким образом, в методе наименьших квадратов параметры находятся из условия: S(b ) → min, т.е. являются решением задачи минимизации суммы квадратов невязки (этим и объясняется название метода). Покажем, как решается эта задача. Пусть функция задана в общем виде (I). Структуру модели, входящие в нее входные координаты или функции от них, можно затем уточнить. Запишем условия всех опытов в виде таблицы матрицы плана эксперимента: 7
Страницы
- « первая
- ‹ предыдущая
- …
- 5
- 6
- 7
- 8
- 9
- …
- следующая ›
- последняя »