2) Ранжирование входов и выходов – отбор входов и выходов объекта, которые будут включены в модель. Сначала определяют все входы и выходы, состояние которых влияет на выполнение цели в объекте, затем отбираются наиболее существенные. Критерием выбора окончательного варианта модели может служить ее точность с одной стороны и сложность или реализуемость с другой стороны. Выбор структуры модели – это выбор гипотезы поведения объекта.
4)Определение характера связи между входам и выходом модели возможно на основе некоторых теоретических представлений о механизме процесса, протекающего в объекте.
Основой для классификации методов структурной идентификации являются свойства объекта. Это дает возможность целенаправленно выбрать методы, позволяющие рациональным путем решать поставленные задачи для конкретных объектов.
Идентификация выступает как инструмент проверки гипотез о соответствии структуры или параметров объекта и модели на основе экспериментальных данных о его функционировании.
Остаток – разность между фактически измеренным и предсказанным по модели значениям выходного параметра, это величина, которую не удается объяснить с помощью выбранной структуры модели, т.е. это остаточные ошибки модели.
После исследования остатков можно сделать один из 2х выводов:
1. Предположения по гипотезе нарушены.
2. Предположения по гипотезе не нарушены.
1. гистограмма распределения (Если гистограмма имеет симметричный вид, то предположение модели верно. Если несимметричный вид, значит в модели не учтена неслучайная составляющая и требуется более глубокий анализ ошибки модели).
2. Зависимость от времени или номера опыта, если известны их последовательности. Здесь есть такие варианты: зависимость, при которой правильно выбрана структура модели и не надо ее совершенствовать, время не влияет на коридор ошибки; дисперсия не постоянна, растет во времени, неправильно выбраны коэффициенты; в модель не включен коэффициент, зависящий линейно от времени; в модели не учтены линейный, квадратичный коэффициенты.
3. Зависимость от предсказанных значений модели. Варианты аналогичны предыдущему методу: структура модели выбрана правильно; нужно использование метода наименьших квадратов; допущена ошибка и пропущен свободный коэффициент.
4. Зависимость от входных факторов.
5. Любой вид графика, который целесообразен для данной конкретной задачи.
3 Методы математической обработки экспериментальной информации (регрессионный анализ).
Регрессионный анализ – это алгоритм обработки исходной экспериментвльной информации.
Применяется из-за простоты мат. аппарата, из-за того, что этот метод наиболее соответствует набору экспериментальных данных, полученных в режиме нормальной эксплуатации. Он используется для построения статических моделей.
Различают регрессионный анализ:
1)парный (уравнение регрессии составляется для двухмерного пространства входных, выходных переменных y=f(x))
2)множественный y=f(x1, x2, x3…xn)
И парный, и множественный могут быть линейными и нелинейными.
В общем виде для объекта управления входные параметры Х – это факторы, независимые переменные, регрессора, выходные переменные У – функция отклика, зависимая переменная, предекатор.
Алгоритм построения регрессионных моделей:
1. Выбираем структуру мат. модели (линейное регрессионное уравнение)
Уважаемый посетитель!
Чтобы распечатать файл, скачайте его (в формате Word).
Ссылка на скачивание - внизу страницы.