- •1 Лекция 1. Понятие моделирования. Цели моделирования
- •2 Лекция 2. Основные термины в математическом моделировании. Виды математических моделей
- •2.1 Основные термины в математическом моделировании
- •2.2. Основные виды математических моделей
- •3 Лекция 3. Этапы процесса моделирования. Общие принципы построения моделей
- •3.1 Этапы процесса моделирования
- •3.2 Общие принципы построения моделей
- •4 Лекция 4. Аналитические методы определения характеристик объектов
- •4.1 Основные уравнения динамики
- •4.2 Упрощение уравнений динамики
- •4.3 Линеаризация уравнений
- •5 Лекция 5. Аналитические методы моделирования объектов с сосредоточенными параметрами
- •6 Лекция 6. Примеры моделирования объектов с сосредоточенными параметрами
- •7 Лекция 7. Объекты с сосредоточенными параметрами. Динамика теплообменных процессов
- •8 Лекция 8. Аналитические методы определения характеристик тепловых объектов
- •9 Лекция 9. Моделирование объектов с распределенными параметрами
- •10 Лекция 10. Общие сведения о проблеме идентификации
- •10.1 Основные понятия
- •10.2 Классификация методов идентификации
- •11 Лекция 11. Постановка задачи идентификации
- •11.1 Объект идентификации
- •11.2 Постановка задачи идентификации
- •12 Лекция 12. Идентификация линейных динамических объектов. Прямые методы
- •12.1 Прямые методы определения динамических характеристик
- •12.2 Идентификация с помощью переходной функции
- •13 Лекция 13. Идентификация линейных динамических объектов. Прямые методы
- •13.1 Графическая идентификация с помощью переходной функции процессов второго порядка
- •13.2 Графическая идентификация с помощью импульсной переходной функции
- •13.3 Идентификация с помощью частотной характеристики
- •14 Лекция 14. Параметрическая идентификация линейных объектов
- •14.1 Статические детерминированные линейные модели
- •14.2 Динамические детерминированные модели
- •15 Лекция 15. Непараметрическая идентификация линейных динамических объектов. Корреляционные функции
- •15.1 Общий подход к определению непараметрической модели
- •15.2 Определение корреляционных функций сигналов
- •16 Лекция 16. Непараметрическая идентификация линейных динамических объектов. Уравнение Винера-Хопфа
- •16.1 Уравнение Винера-Хопфа для определения импульсной переходной функции
- •16.2 Алгебраический метод решения уравнения Винера-Хопфа
- •17 Лекция 17. Методы идентификации, основанные на
- •17.1 Краткие сведения об аппроксимации функций
- •17.2 Сглаживание дискретных значений импульсной переходной функции
- •17.3 Метод идентификации, основанный на предварительной аппроксимации импульсной переходной функции
- •18 Лекция 18. Методы идентификации, основанные на аппроксимации характеристик объектов и сигналов
- •18.1 Метод идентификации, основанный на совместной аппроксимации импульсной переходной и корреляционных функций
- •18.2 Метод идентификации, основанный на аппроксимации сигналов
- •19 Лекция 19. Идентификация нелинейных объектов
- •19.1 Особенности идентификации нелинейных динамических объектов
- •19.2 Методы идентификации, основанные на линеаризации характеристик объектов
- •19.3 Идентификация нелинейных функций априорно известного вида
- •19.4 Идентификация объекта с нелинейностями общего вида
- •20 Лекция 20. Алгоритмы предварительной обработки и оценки идентичности
- •20.1 Алгоритмы оценки стационарности и линейности объекта
- •20.2 Количественная оценка степени идентичности модели реальному объекту
- •Список литературы
20.2 Количественная оценка степени идентичности модели реальному объекту
При построении математической модели приходится учитывать только основные, определяющие факторы и отбрасывать второстепенные. К основным факторам относят те входные переменные, которые оказывают доминирующее влияние на выходную переменную. Естественно, что полученное математическое описание всегда беднее реального объекта и отражает только те его основные закономерности, которые необходимы для решения конкретной задачи. Причем для решения различных задач одного и того же объекта могут быть построены различные математические описания.
Кроме того, математическое описание различных процессов может быть одинаковым, несмотря на то, что физическая природа этих объектов различна. Например, одними и теми же дифференциальными уравнениями описываются различные физические, химические, механические и т.д. системы. Тогда можно говорить о степени изоморфности (соответствия, подобия, адекватности) модели объекту. Так как мы рассматриваем модели, построенные методами идентификации, будем использовать термин «степень идентификации».
Реальные процессы представляют собой сложные объекты с большим количеством взаимосвязанных переменных, причем учесть все невозможно. Поэтому возникает вопрос, какие и сколько переменных должно быть включено в модель, а какими можно пренебречь. Включение каждого фактора связано с большим объемом исследований по получению реализаций и статистической обработке, это требует значительных затрат времени и средств. Степень идентичности должна обеспечивать решение конкретной задачи, то есть нам необходимо из всех возможных видов описания объекта выбрать такой, который был бы максимально простым в смысле его реализации и, с другой стороны, давал бы возможность решить поставленную задачу. Например, если идет речь об управлении качеством какого-либо изготавливаемого продукта, который характеризуется дисперсией выходных переменных, то очевидно, модель, полученная при идентификации, должна давать возможность рассчитывать выходную переменную с точностью, которая характеризуется этой дисперсией.
Оценку точности определения выходной переменной производят по дисперсии условного математического ожидания или математическому ожиданию условной дисперсии (остаточной дисперсии). Значит, эта характеристика может быть использована в качестве характеристики степени соответствия, идентичности модели объектов. Но дисперсия может принимать значения от нуля до бесконечности, что неудобно для практического применения. Естественно ввести ограничения и потребовать, чтобы количественная мера степени идентичности принимала значения от 0 до 1 (0 полное несоответствие, 1– полное соответствие, то есть функциональная зависимость). Поэтому в качестве меры степени идентичности применяют отношение дисперсии условного математического ожидания выходной переменной y(t) относительно входной переменной x(t) к дисперсии выходной переменной y(t).
В одномерном случае оптимальный по критерию минимума среднеквадратичного отклонения оператор дает условное математическое ожидание y(t) относительно совокупности значенийx(t):
(20.1)
Тогда в качестве оценки степени идентичности модели (20.1) объекту
принимают отношение
, (20.2)
где - дисперсия условного математического ожидания значения выходной переменнойy(t) относительно значения входной переменной x(t) при соответствующих значениях аргумента t, то есть относительно совокупности значений х при всех аргументах sв T; D{y(t)} - дисперсия выходной переменнойy(t).
В (20.2) по определению
то есть математическое ожидание квадрата отклонения поверхности регрессии выходной переменнойy(t) в момент tотносительно совокупности значений входной функции x(s) для всех s от математического ожидания y(t).
Дисперсия условного математического ожидания характеризует ту часть общей дисперсии выхода y(t), которая вызвана влиянием всей совокупности значений входа x(s) для всех s изT.
Общая дисперсия может быть представлена таким образом
(20.3)
Имеем
Из (20.2), учитывая (20.3) получим
.
Тогда
(20.4)
- количественная характеристика степени неидентичности модели объекту.
Из определений (20.2), (20.4), учитывая (20.3), имеем
Действительно, если модель построена на основе учитываемой информации x(t), которая не связана или слабо связана с y(t), что характеризуется большими значениями по сравнению с D{M{y/x}},то степень идентичности будет мала или равна нулю, а степень неидентичности значительна или равна единице.
Мера степени идентичности дает количественную оценку степени наших знаний об объекте, степени его формализации.