
- •Основные понятия теории моделирования Моделирование как метод научного познания
- •Понятие модели и моделирования
- •Понятие информационной модели
- •Виды моделирования
- •Математическое и компьютерное моделирование
- •Пример моделирования простейшей системы
- •Формализация систем и классификация моделей Некоторые термины системного анализа
- •Формальная модель объекта.
- •Классификация моделей
- •Основные требования к математическим моделям
- •Этапы процесса моделирования
- •Статические регрессионные модели Понятие черного ящика и регрессии
- •Линейная одномерная регрессионная модель
- •Линейная множественная регрессионная модель
- •Нелинейные регрессионные модели
- •Динамические модели Динамические системы
- •Динамическая система первого порядка
- •Звено второго порядка (колебательное звено)
- •Динамические регрессионные модели
- •Модель в виде фильтра Каллмана
- •Статистическое моделирование Понятие статистического моделирования
- •Метод Монте-Карло.
- •Генераторы случайных чисел
- •Проверка качества работы генератора
- •Моделирование случайной величины с заданным законом распределения
- •Моделирование системы случайных величин
- •Потоки случайных событий
- •Системы массового обслуживания (смо)
- •Принципы компьютерного моделирования смо
- •Задания
- •1. Моделирование простейшей системы
- •2. Статическая регрессионная модель
- •3. Динамическая регрессионная модель
- •4. Метод Монте-Карло и генераторы случайных чисел
- •5. Моделирование смо
- •Приложения
- •Нормальный закон распределения (закон Гаусса)
- •Распределение Пуассона
- •Список источников
- •Моделирование процессов и систем
- •153000 Г. Иваново, пр. Ф. Энгельса, 21 Оглавление
Линейная множественная регрессионная модель
П
редположим,
что функциональная структура ящика
снова имеет линейную зависимость, но
количество входных сигналов – m.
Тогда
Для нахождения экстремума получим систему из m+1 уравнения:
Такие системы имеет смысл решать методом Крамера, поэтому запишем её в матричном виде:
Вычисляем
коэффициенты:
Далее, по аналогии с одномерной моделью, для каждой точки вычисляется ошибка Ei; затем находится суммарная ошибка F и значения σ и S с целью определить, принимается ли выдвинутая гипотеза.
Нелинейные регрессионные модели
В некоторых случаях нелинейные зависимости можно представить в виде линейных путём введения дополнительных коэффициентов. Рассмотрим несколько вариантов.
1
.
Ящик имеет 2 входа, а зависимость Y
от X1
и X2
напоминает квадратичную. Имеет смысл
рассмотреть такую гипотезу:
Если обозначить
и считать
дополнительными входами, то получим
линейную множественную регрессионную
модель.
2
.
Если зависимость имеет экспоненциальный
вид, т.е. рассматривается гипотеза
то
прологарифмировав левую и правую части
уравнения и обозначив
,
получим
т.е. линейную множественную модель.
3. В случае обратной зависимости:
можно обозначить
и снова перейти к линейной множественной модели
Динамические модели Динамические системы
Д
инамические
системы, в отличие от статических, помнят
свое прошлое состояние, то есть обладают
памятью. Следовательно, существуют
зависимости входного и выходного
сигналов от времени: X=X(t)
и Y=Y(t),
причем эти зависимости могут быть самыми
разными.
В записи модели динамических систем присутствует производная, связывающая прошлое состояние системы с настоящим. Чем большей памятью обладает система, тем больше состояний из прошлого влияют на настоящее, тем большая степень старшей производной используется в записи модели, и тем больше параметров надо определить, чтобы идентифицировать систему1. Чтобы определить параметры системы необходимо, в первую очередь, оценить ее порядок.
Порядок динамической системы – это степень наибольшей из производных Y по отношению к t.
Динамическая система первого порядка
Рассмотрим входной и выходной сигналы, типичные для системы первого порядка (рис. 7).
Пусть на вход системы, до того находившейся в покое, подали единичный сигнал 1[t] – единичная функция Хэвисайда (она изображена как зависимость x(t) на рис. 7а). Такой сигнал является одним из нескольких эталонных испытательных сигналов2. Если на вход подается сигнал в виде функции Хэвисайда при нулевых начальных условиях, то реакция на выходе будет называться переходной функцией или переходной характеристикой h(t) (рис. 7б).
Ожидается, что система на выходе должна увеличить сигнал x в k раз и дойти до значения kx. Параметр k называют коэффициентом усиления входного сигнала.
Сигнал
на выходе нарастает постепенно,
инерционно. Переход от нуля до kx
– процесс
динамический, в сигнале присутствует
изменение, которое описывается
производной, и выход оказывается меньше
входа на некоторую величину f:
.
Если на
выходе наблюдается экспоненциальный
сигнал, то f выражается
как
,
где параметр T –
инерционность системы, является
константой. Тогда система называется
системой (или звеном) первого порядка,
а ее поведение описывается уравнением
с двумя параметрами T
и k.
Чтобы определить, является ли кривая экспонентой, в каждой ее точке проводится касательная до пересечения с линией установившегося уровня (на рис. 7 это линия y(t)=k). Если кривая является экспонентой, то величина T в любой точке будет постоянной.
При определении модели требуется найти неизвестные коэффициенты k и T. Коэффициент k характеризует способность системы к усилению, а T – инерционность системы (память). Чем больше T, тем медленнее система реагирует на входной сигнал.