Главная страница

Лекц комплекс СМИОСУ 2017. Конспект лекций для магистрантов специальности 6М070200 Автоматизация и управление


Скачать 4.07 Mb.
НазваниеКонспект лекций для магистрантов специальности 6М070200 Автоматизация и управление
Дата24.01.2023
Размер4.07 Mb.
Формат файлаdoc
Имя файлаЛекц комплекс СМИОСУ 2017.doc
ТипКонспект лекций
#902228
страница10 из 29
1   ...   6   7   8   9   10   11   12   13   ...   29

Лекция 10 Статические модели в форме управления регрессии и методы их определения (часть 4)


Регрессионный анализ в матричной форме. (См.[1] стр.146)

Использование матричной формы записи значительно упрощает как запись, так и решение задачи определения коэффициентов уравнения регрессии. Введем следующие обозначения (см. таблицу 10.1).

1). Матрица независимых переменных X – она содержит исходный статистический материал (см. таблицу в предыдущей теме, кроме последнего столбца) в ней n – строк и k+1 столбец:

2). Матрица (вектор) наблюдений Y (вектор – столбец): в нем n – строк.

X и Y известны в результате проведенного пассивного эксперимента.

  1. Матрица (вектор) искомых коэффициентов уравнения регрессии B (вектор – столбец): в нем k+1 – строк.

Целью является определение вектора B по известным X и Y по формуле (10.2).
Таблица 10.1

Элементы матричной записи при регрессионном анализе









Матрица входов – факторы, независимые параметры

Вектор выходов (наблюдений)

Вектор коэффициентов

Ковариационная матрица, матрица ошибок

Матрицу называют информационной матрицей (матрицей моментов), а матрицей ошибок или ковариационной матрицей.

В матричной форме система нормальных уравнений запишется:

(10.1)

Решение этого уравнения имеет вид (хорошо запомните эту формулу!):

(10.2)

Уравнение (4.15) легко реализуется, например, на Mathcad и широко применяется также и в методах планирования эксперимента. Однако вычисление вектора коэффициентов В иногда не может быть вычислено из-за вырожденности матрицы . Это может происходить, например, если элементы матрицы Х очень сильно отличаются друг от друга. Например, когда один из элементов равен 0.00005, в другой 100000.0.

Для определения остаточной дисперсии определяют матрицу столбец
(10.3)
Числитель остаточной дисперсии получают по формуле:

(10.4)

Рассмотрим пример применения регрессионного анализа для построения математической модели с тремя входами и одним выходом в виде (10.5):

(10.5)
Или, что-то же, в виде:

(10.5А)
Исходные данные для построения математической модели приведены в таблице 10.2. На основе эксперимента в ней заполнены столбец 2 (значения выхода – Y) и столбцы 4-6 (значения входов Х1, Х2 и Х3). Эти значения выделены в таблице жирным шрифтом.

Столбец 3 заполнен значениями равными 1, а столбцы 7-13 значениями, вычисленными на основе значений столбцов 4-4. Проведено 20 опытов.
Таблица 10.2

Исходные данные для примера построения математической модели

№оп

Y-Выход




Входы - Х

Условные входы, рассчитанные на основе входов Х

X0

X1

X2

X3

X12

X22

X32

X1*X2

X1*X3

X2*X3

X1X2X3

(1)

(2)

(3)

(4)

(5)

(6)

(7)

(8)

(9)

(10)

(11)

(12)

(13)

1

43,0

1

90

3

120

8100

9

14400

270,000

10800,000

360,000

32400

2

44,0

1

110

3

120

12100

9

14400

330,000

13200,000

360,000

39600

3

40,0

1

90

7

120

8100

49

14400

630,000

10800,000

840,000

75600

4

38,0

1

110

7

120

12100

49

14400

770,000

13200,000

840,000

92400

5

45,0

1

90

3

150

8100

9

22500

270,000

13500,000

450,000

40500

6

43,0

1

110

3

150

12100

9

22500

330,000

16500,000

450,000

49500

7

44,0

1

90

7

150

8100

49

22500

630,000

13500,000

1050,000

94500

8

42,0

1

110

7

150

12100

49

22500

770,000

16500,000

1050,000

115500

9

44,0

1

83,18

5,00

135,

6918,9

25

18225

415,900

11229,300

675,000

56146,5

10

41,0

1

116,8

5,00

135

13642

25

18225

584,000

15768,000

675,000

78840

11

43,0

1

100

1,64

135

10000

2,6766

18225

163,600

13500,000

220,860

22086

12

37,0

1

100

8,36

135

10000

69,955

18225

836,400

13500,000

1129,140

112914

13

45,0

1

100

5,00

109,7

10000

25

12049,45

500,000

10977,000

548,850

54885

14

48,0

1

100

5,00

160,3

10000

25

25673,65

500,000

16023,000

801,150

80115

15

47,0

1

100

5

135

10000

25

18225

500,000

13500,000

675,000

67500

16

45,0

1

100

5

135

10000

25

18225

500,000

13500,000

675,000

67500

17

46,5

1

100

5

135

10000

25

18225

500,000

13500,000

675,000

67500

18

45,5

1

100

5

135

10000

25

18225

500,000

13500,000

675,000

67500

19

46,7

1

100

5

135

10000

25

18225

500,000

13500,000

675,000

67500

20

46,0

1

100

5

135

10000

25

18225

500,000

13500,000

675,000

67500


Таким образом, заданы значения вектора Y (столбец 2) и матрицы X (столбцы 3-13) имеющие значения:




Далее вычислив, например, в системе Mathcad по формуле (10.2) получаем вектор одиннадцати значений коэффициентов В:

Можно произвести проверку, результаты которой сведены в таблицу 4.3. Расчетное значение выхода можно получить, применив формулу (10.5А) или её матричный аналог в виде: . Полученную нами математическую модель можно считать адекватной, т.к. Значение критерия R2 = 0,9724 достаточно близко к единице.
Таблица 4.1

Результат проверки адекватности математической модели

№ опыта

Входные переменные

Выход

Погрешность (ошибка)

X1

X2

X3

Y



абсолютная

относительная %

1

120,00

3,00

120,00

43,000

43,5514

-0,5514

-1,2823

2

120,00

3,00

120,00

44,000

44,3277

-0,3277

-0,7448

3

120,00

7,00

120,00

40,000

40,2128

-0,2128

-0,5321

4

120,00

7,00

120,00

38,000

37,9892

0,0108

0,0285

5

150,00

3,00

150,00

45,000

45,3582

-0,3582

-0,7959

6

150,00

3,00

150,00

43,000

43,1345

-0,1345

-0,3127

7

150,00

7,00

150,00

44,000

44,0196

-0,0196

-0,0446

8

150,00

7,00

150,00

42,000

41,7959

0,2041

0,4858

9

135,00

5,00

135,00

44,000

43,4885

0,5115

1,1625

10

135,00

5,00

135,00

41,000

41,0205

-0,0205

-0,0499

11

135,00

1,64

135,00

43,000

42,3519

0,6481

1,5072

12

135,00

8,36

135,00

37,000

37,1570

-0,1570

-0,4243

13

109,77

5,00

109,77

45,000

44,5247

0,4753

1,0562

14

160,23

5,00

160,23

48,000

47,9842

0,0158

0,0329

15

135,00

5,00

135,00

47,000

46,1306

0,8694

1,8497

16

135,00

5,00

135,00

45,000

46,1306

-1,1306

-2,5125

17

135,00

5,00

135,00

46,500

46,1306

0,3694

0,7943

18

135,00

5,00

135,00

45,500

46,1306

-0,6306

-1,3860

19

135,00

5,00

135,00

46,700

46,1306

0,5694

1,2192

20

135,00

5,00

135,00

46,000

46,1306

-0,1306

-0,2840

Суммарная ошибка =

1,0851E-07

-0,2330

Среднее значение ошибки =

5,4256E-09

-0,0117

Значение критерия Rквадрат =

0,9724



Основная литература

  1. Ахназарова С.Л., Кафаров В.В. Методы оптимизации эксперимента в химической технологии: Учебное пособие для вузов. - 2-е изд., перераб. и дополненное. -М.: Высшая школа, 1985. -327с.

  2. Построение математических моделей химико-технологических процессов. Под ред. Дудникова Е.Г. - Л.: Химия, 1970. –312 с.

  3. Практикум по автоматике и системам управления производственными процессами: учеб. пособие для вузов /под ред. И.М.Масленникова. -М.: Химия, 1986. -336с.

Дополнительная литература

  1. Толчеев В.О., Ягодкина Т.В. Методы идентификации линейных одномерных динамических систем. -М.: Изд-во МЭИ, 1997
1   ...   6   7   8   9   10   11   12   13   ...   29


написать администратору сайта