Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
Копия Откорр глава 1 моделир.doc
Скачиваний:
0
Добавлен:
01.03.2025
Размер:
2.3 Mб
Скачать

1.5.2. Метод наименьших квадратов

Рассмотрим особенности регрессионного анализа результатов моделирования на примере построения линейной регрессионной модели [16], [24].

Основы метода

На рис.1.24 показаны точки (xi, уi), полученные в эксперименте. Делаем предположение, что функция отклика может быть пред­ставлена в виде прямой линии

(1.85)

Требуется получить такие значения коэффициентов b0 и b1, при которых сумма квадратов ошибок будет минимальной. На ри­сунке ошибки et для каждой экспериментальной точки равны расстояниям по вертикали от этой точки до линии регрессии (1.85).

Обозначим (yt)i=b0 + b1 xi (здесь (уt)i — величина, предсказыва­емая регрессионной моделью), тогда выражение для ошибок будет иметь вид

а функция ошибки

Для получения коэффициентов и , при которых функция F0 будет минимальной, приравняем нулю част­ные производные и . Бу­дем иметь:

(1.86)

Таким образом, получена система двух линейных алгебра­ических уравнений:

(1.87)

Решая систему этих уравнений, получим

(1.88)

где N - число реализаций при моделировании.

Рис.1.25. К построению рег­рессионной модели

Мы рассмотрели частный случай для уравнения (1.85). В более общем случае, когда эмпирическую функцию принимают в виде полинома

(1.89)

система уравнений типа (1.86), (1.87) будет иметь вид

(1.90)

Для оценки точности совпадения теоретических и эксперимен­тальных данных следует определить среднюю квадратичную ошибку на единицу веса

(1.91)

или среднее абсолютное отклонение

(1.92)

где r - число вычисляемых (табличных) значений; s - число параметров.

Последовательность обработки данных

Последовательность вычислений при построении уравнения регрессии на основе метода наименьших квадратов рассмотрим на конкретном примере [4].

Пример. Подобрать уравнение регрессии по экспериментальным дан­ным, приведенным ниже.

x

0

0,5

1,0

1,5

2,0

y

7,0

4,8

2,8

1,4

0

Решение. Вначале попытаемся в качестве типа эмпирической формулы при­нять линейную зависимость, удерживая в формуле (1.89) два первых члена:

Составим нормальные уравнения, для чего предварительно заполним табл.1.8. В таблице предусмотрим дополнительные столбцы 4, 5 и 8, которые нам могут потребоваться в дальнейшем.

Таблица 1.8

x

x2

x3

x4

y

ху

x2y

1

2

3

4

5

6

7

8

1

0

0

0

0

7,0

0

0

1

0,5

0,25

0,125

0,0625

4,8

2,4

1,2

1

1,0

1

1

1

2,8

2,8

2,8

1

1,5

2,25

3,375

5,0625

1,4

2,1

3,15

1

2,0

4

8

16

0

0

0

5

5

7,5

12,5

22,125

16

7,3

7,15

Пользуясь данными столбцов 1, 2, 3, 6, 7, составим нормальные уравнения (1.90), которые применительно к нашему случаю при удержании только двух первых членов формулы (1.89) будут иметь вид:

Подставляя табличные данные, получим:

Решая эти уравнения, найдем: bo = 6,68; b1 = - 3,48, следовательно,

Оценим точность выполненных построений.

Подставив в полученную формулу значения х (табл.1.9), определим вычис­ленные значения уt и отклонения.

Таблица 1.9

x

yt

y – yt

(y-yt)2

0

0,5

1,0

1,5

2,0

+ 6,68

+4,94

+3,20

+ 1,46

-0,28

+0,32

-0,14

-0,40

-0,06

+0,28

0,1024

0,0196

0,1600

0,0036

0,0784

Суммируя данные последнего столбца, будем иметь:

Средняя квадратическая ошибка на единицу веса

Среднее абсолютное отклонение (1.97) равно

Полученные величины показывают, что формула подобрана неудовлетвори­тельно, так как исходные данные имеют точность до 0,1, а средняя квадратичес­кая ошибка на единицу веса значительно больше 0,1.

Повторим все операции, используя более точное выражение

Для записи нормальных уравнений (1.90) дополним вспомогательную табл.1.8 новыми данными, которые приведены в столбцах 4, 5, 8 и выделены курсивом. Составим нормальные уравнения:

После решения этой системы найдем b0=7,00; b1 = - 4,74; b2 = 0,63 и запишем искомую зависимость:

Для определения средней квадратической ошибки составим табл.1.10.

Таблица 1.10

x

yt

y -yt

(y-yt)2

0

0,5

1,0

1,5

2,0

7,0

4,79

2,89

1,30

0,04

0

+0,01

-0,09

+0,10

-0,04

0

0,0001

0,0081

0,0100

0,0016

Суммируя последний столбец, получим ∑(у -уt)2=0,0198.

Средняя квадратическая ошибка на единицу веса

Среднее абсолютное отклонение

Следовательно, формула у=7 - 4,74x+0,63 x2 вполне удовлетворительно со­ответствует экспериментальным данным.