- •1. Нечеткие множества.
- •2. Основные виды функции принадлежности.
- •3. Операции над нечеткими множествами.
- •4. Нечеткие отношения.
- •5. Нечеткая и лингвистическая переменные.
- •6. Нечеткая логика
- •7. Системы нечетких продукций.
- •8. Системы нечеткого вывода. Основные этапы нечеткого вывода.
- •9. Система MatLab.
- •10. Нейронные сети. Их реализация в MatLab.
- •12. Требования к математической модели.
- •13. Типы математических моделей.
- •14. Этапы построения математической модели.
- •1. Построение математической модели.
- •2. Постановка и решение вычислительной задачи.
- •3. Проверка качества модели на практике.
- •15 Методы самоконтроля.
- •16. Распространенные ошибки.
12. Требования к математической модели.
Адекватность. Важнейшим требованием к математической модели является ее адекватность – т.е. правильное соответствие реальному объекту, относительно выбранной системы его свойств. Под этим подразумевается правильное качественное описание рассмотренных свойств изучаемого реального объекта, например возможность сделать вывод о направлении изменения тех или иных характеристик объекта, взаимосвязях между его свойствами, об устойчивости его состояния. Требование адекватности обычно включает в себя и правило описания свойств субъекта с некоторой разумной точностью. В зависимости от того, включаем ли мы в требование адекватности требование количественной адекватности, говорят о количественной либо о качественной модели. В случаях, когда явления очень сложное, количественной модели может вообще не быть и приходится довольствоваться только качественной.
Естественна большая или меньшая адекватность модели. При этом адекватность имеется в виду относительно какого-то набора свойств, который мы хотим изучить в рамках данной модели. Часто неадекватность в отношении определенных свойств может быть не очевидной, поэтому исследование модели должно подкрепляться экспериментами. Порой для изучения различных свойств приходится строить разные модели.
Простота. Усложняя модель, мы можем включить в нее больше факторов => повысить ее адекватность. Но в то же время мы усложняем математическую задачу.
Таким образом, адекватность модели и требование простоты являются противоположными и нужен компромисс. При упрощении модели можно идти по 2 путям:
1. упрощать содержательную модель;
2. упрощать математическую модель.
Как правило, более рационален первый путь.
Полнота. Модель позволяет с помощью математических методов получить интересующий нас результат.
Продуктивность. Дело в том, что любая модель включает в себя некоторые исходные данные, которые обычно есть значения некоторых физических величин. В модель должны входить такие величины, которые можно реально измерить, причем наиболее простым способом.
Устойчивость - малая чувствительность к погрешностям. Измерения всегда имеют погрешность, и если модель неустойчива, т.е. малое изменение исходных данных приводит к большому изменению результата, то таких неустойчивых изменений надо избегать.
Наглядность - ясность физического смысла параметров модели. Такую модель легче исследовать.
13. Типы математических моделей.
Структурные и функциональные модели.
Структурная модель – отображается структура исследуемого объекта. Существенна для исследования свойств и взаимосвязи компонентов этого объекта.
Функциональная модель («черный ящик») – модель описывает реакцию объекта на воздействие внешних факторов (т.е. то, как объект функционирует), но не затрагивает и не описывает его структуру.
Дискретные и непрерывные модели.
Дискретные модели – принимают оторванные друг от друга значения, которые можно пронумеровать.
Непрерывная модель – принимает все значения на некотором интервале.
Какая-то величина может на одних интервалах вести себя как дискретная, на других – как непрерывная. При этом между этими типами моделей нет какого-либо принципиального барьера и при уточнении и видоизменении дискретная модель может переходить в непрерывную и наоборот. При составлении модели нужно учитывать эту возможность перехода.
Линейные и нелинейные модели.
Линейная зависимость одной величины от другой – это зависимость вида y=a*x+b. Это означает пропорциональность приращений, т.е. Δy = α*Δx. На самом деле все существующие на практике линейные зависимости являются линейными лишь приближенно, т.е. в каком-то интервале величины этих зависимостей являются линейными с некоторой степенью точности.
Аналогично определяется понятие линейной модели. Оно применяется для модели объектов, кот. рассм. как преобразователь, т.е. в кот. некоторому входу соответствует выход. Такой преобразователь называется оператором.
Пусть нулевому входу соответствует нулевой выход. Тогда модель называется линейной если выполняется принцип суперпозиции. При сложении входов складываются и выходы, а при умножении входа на число выход умножается на то же число. В противном случае модель нелинейная.
На практике часто применяется линеаризация (приближенная замена нелинейных моделей линейными). Она применима в двух случаях:
Если опыт показывает, что отклонение от линейности в каких-то диапазонах невелико.
Если имеется малый диапазон, то можно исп. линейное интерполирование.
Детерминированные и вероятностные модели.
Если модель включает в себя какие-либо случайные величины, то она называется статистической или стохастической. В противном случае она называется детерминированной.
Статические и динамические модели.
В случае динамической модели мы имеем дело с изучением движения объекта, т.е. его изменение во времени. При изучении динамических моделей обычно используются дифференциальные уравнения.