Каждое частное описание является функцией только двух аргументов. Поэтому коэффициенты частных описаний легко оп-
171
ределяются по данным обучающей последовательности при малом числе узлов интерполяции (первая операция). Из ряда в ряд селекции пропускается только некоторое число самых регулярных переменных. Далее, исключая промежуточные переменные (вторая операция), можно получить аналог полного описания. Решающим обстоятельством является то, что при увеличении сложности математической модели (например, числа членов и степени полинома) точность, определяемая на отдельной проверочной последовательности, сначала возрастает, затем начинает уменьшаться. Минимуму критерия селекции и соответствует искомая модель оптимальной сложности.
Здесь применяется один из алгоритмов МГУА, предполагающий расширение размерности вектора исходных данных путем добавления к вектору х некоторых элементарных функций: 1/х,
Ухи Г/У* [21].
В случае присутствия их в искомой зависимости мы уже не получим их разложения, что дает возможность получить более компактное и более точное математическое описание.
Последовательность расчетов следующая. На первом этапе составляется k линейных уравнений регрессии
i' = 1» 2,...
(V.70)
xt |
(i = 1, 2, . . . , л)
(i = /z + 1, . . .., 2n)
Vxt (i=2n + l, • . • , Зтг)
\l~yJi (i = 3n+ I, . . . , An)
(V.71)
Коэффициенты аи, zH для каждого уравнения (V.70) вычисляются по данным обучающей последовательности
it — Чц — 2d zui — Фу — "^" ^2j Ф/» R = Ri = m/2 |
(V.72)
Для каждой модели первого приближения yfy вычисляется величина 6jp . По минимуму б^, отбирается группа наиболее «перспективных» частных описаний приближения yau (l=\, 2t 3, .... Г, где Г — свобода выбора решений). Для каждого «перспективного» решения первого этапа у [У выполняется следующий цикл операций.
172
1. Составляется k уравнений
(V.73)
!f (i = 1.2,
. . . , Л),
где 2iz — аргумент частного описания; Zu— аргументы, определяемые из выражения (V.71).
2. Если
оценка 6щ>.$ (V.69)
для одной (или нескольких) мо
делей у}f) (V.73)
имеет меньшее численное
значение, чем оцен
ка моделей #}}>, то снова составляется совокупность частных
описаний
(V.74) ^Mi (* = 1. 2, . . . , А),
где zh —аргумент модели т/i/ , имеющий наименьшую оценку.
Процесс направленного усложнения математической модели (содержащей zu) на первом этапе может повторяться многократно. Окончательно из совокупности моделей yll} , у иУ , ...,
у№ отбирается модель, наилучшая в смысле минимума б пР.
3. Определяется совокупность обобщенных аргументов второго этапа, которая состоит из k «входных» переменных (V.71)
и k ковариаций «входных» переменных с аргументом zff, присутствующим в модели: Z2i = zu; .
.izu (*=1.2, . . . , k). (V.75)
4. Строятся 2k решений у<ц второго этапа:
hit — bi Ixih 4ti = Чц--------- jr
R
а,--&------ ; »,= ~^------------------- .------------------- (V.77)
где Z2i — выбранная скорректированная обобщенная переменная
о
для следующего ряда (из г возможных); z2tj — центрированное значение обобщенной переменной; ущ—аппроксимирующее зна-
173
чение функции предыдущего ряда; bj—коэффициент ортогона-лизации обобщенной переменной Х2ц относительно ущ (по проверочной последовательности); коэффициенты аг вычисляются отдельно по данным обучающей и проверочной последовательностей.
5. Для каждого частного описания (V.76) находится бпр t (V.69), затем эти оценки сравниваются.
По минимуму критерия регулярности (V.69) на втором этапе уплотнения математической модели определяют окончательный выбор решений, y^g первого этапа среди множества перспективных решений Y,ff (/=1, 2, .,., Г). На втором, третьем ш
Уважаемый посетитель!
Чтобы распечатать файл, скачайте его (в формате Word).
Ссылка на скачивание - внизу страницы.