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.
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
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. Построение математических моделей химико-технологических процессов. Под ред. Дудникова Е.Г. - Л.: Химия, 1970. –312 с. Практикум по автоматике и системам управления производственными процессами: учеб. пособие для вузов /под ред. И.М.Масленникова. -М.: Химия, 1986. -336с.
Дополнительная литература
Толчеев В.О., Ягодкина Т.В. Методы идентификации линейных одномерных динамических систем. -М.: Изд-во МЭИ, 1997
|