- •Чебоксары
- •Предисловие
- •1. Лабораторная работа №1. Оценка статистических характеристик случайных данных
- •1.1. Основные теоретические положения
- •Точечные оценки параметров случайной величины
- •Интервальные оценки параметров случайной величины
- •1.2. Задания для лабораторной работы №1. Оценка статистических характеристик случайных данных
- •1.3. Контрольные вопросы
- •1.4. Варианты заданий
- •2. Лабораторная работа №2. Корреляционный и регрессионный анализ
- •2.1. Основные теоретические положения
- •2.2. Задания для лабораторной работы №2. Корреляционный и регрессионный анализ
- •2.3. Контрольные вопросы
- •2.4. Варианты заданий
- •3. Лабораторная работа №3. Аппроксимация экспериментальных данных
- •3.1. Основные теоретические положения
- •3.2. Задания для лабораторной работы № 3. Аппроксимация экспериментальных данных
- •3.3. Контрольные вопросы
- •3.4. Варианты заданий
- •4. Лабораторная работа №4. Оценивание характеристик стационарного случайного процесса
- •4.1. Основные теоретические положения
- •Задания для лабораторной работы № 4. Оценивание характеристик стационарного случайного процесса
- •4.3. Контрольные вопросы
- •4.4. Варианты заданий
- •Заключение
- •Список рекомендуемой литературы
- •Приложения
- •Критические точки распределения – Пирсона
- •Критические точки распределения Стьюдента
- •Оглавление
3. Лабораторная работа №3. Аппроксимация экспериментальных данных
3.1. Основные теоретические положения
Основная задача аппроксимации – построение приближен-ной (аппроксимирующей) функции наиболее близко проходящей около экспериментально полученных точек или заданной непрерывной функции . В общем смысле термином «аппроксимация» называ-ют замену одних математических объектов другими, например, сложных функций более простой функцией или набором простых функций, в том или ином смысле близкими к исходным. Для количественной характеристики близости вводится соответствующая мера расстояния, определяемая через разности . При этом весьма желательно, чтобы аппроксимация была как можно более точной и вычислялась за малое время.
В простейшем случае задача аппроксимации экспери-ментальных данных выглядит следующим образом: через заданные точки на плоскости или вблизи этих точек провести кривую , которая наилучшим образом воспро-изводила бы график исходной экспериментальной законо-мерности, но в то же время была бы нечувствительна к случайным отклонениям измеряемой величины (рис. 3.1).
Рис. 3.1. Иллюстрация задачи аппроксимации: а - аппроксимирующая кривая проходит через заданные точки; б - приближенное описание экспериментальной зависимости (точки не ложатся в точности на кривую)
Принято рассматривать эту задачу в двух несколько различных широко распространенных постановках. В первом случае зависимость между величинами и задается заранее известной функцией с точностью до значе-ний параметров . Задача состоит в том, чтобы как можно точнее оценить эти параметры. Важно отметить, что параметры аппроксимации не могут быть непосредственно найдены из эксперимента.
Во второй постановке требуется подобрать функцию соответствующую наилучшему прибли-жению к фактической экспериментальной зависимости . В этом случае непрерывную функцию для аппроксимации дискретной зависимости выбирают из условия наилучшего квадратичного приближения (стандартный метод наименьших квадратов)
. (3.1)
Задачу на поиск минимума можно свести к задаче поиска корня системы уравнений с неизвестными параметрами ,
(3.2)
Подстановка (3.1) в (3.2) приведет к системе алгебраических уравнений (3.3) относительно неизвестных параметров.
Решая эту систему уравнений, найдем значения параметров и, следовательно, искомую аппроксимирующую функцию , удовлетворяющую сформулирован-ным выше требованиям.
(3.3)
Для аппроксимации могут использоваться любые функции, но задача значительно упрощается, когда параметры в аппроксимирующую функцию входят линейно
, (3.4)
где произвольные базисные функции. Общих рекомендаций по выбору базисных функций нет. Выбор класса и задание свойств этих функций должны осуществляться с учетом свойств исследуемых экспериментальных данных. Иначе аппроксимация будет трудоемка и осуществлена недостаточно эффективно. Как правило, разные базисные функции имеют свои преимущества и недостатки, но наилучшей считается аппроксимирующая функция, в которой используется небольшое число базисных функций.
Если , то число коэффициентов аппроксимации недостаточно для правильного воспроизведения графика экспериментальной зависимости, а в случае значительно увеличиваются ошибка оценки и время вычисления параметров, а также усложняется их интерпретация (физический смысл).
Подстановка (3.4) в (3.1), а затем вычисление производных (3.2) приведет в итоге к следующей системе линейных алгебраических уравнений:
(3.5)
Для нахождения неизвестных параметров обычно составляется расширенная матрица, которую называют матрицей Грамма. Элементами этой матрицы являются скалярные произведения базисных функций и столбец свободных коэффициентов:
,
где
.
Основное преимущество рассмотрения матрицы Грамма состоит в том, что для нахождения решения системы (3.5) необходимо сосчитать только элементы первой строки и двух последних столбцов: остальные элементы заполняются сдвигом предшествующей строки (за исключением двух последних столбцов) на одну позицию влево. А в случае ортогональности базисных функций
все недиагональные элементы матрицы Грамма равны нулю, что увеличивает точность вычисления параметров. Хорошо известными системами ортогональных базисных функций являются полиномы Лежандратригонометрические ряды Фурье, вейвлет-функции.
Рассмотрим некоторые примеры аппроксимирующих функций:
1. Полиномиальная аппроксимация.
Аппроксимирующая функция представляет собой полином степени вида
здесь базисные функции представлены в виде последовательности степеней аргумента :
Система уравнений линейных алгебраических уравнений для параметров выглядит следующим образом
Расширенная матрица Грамма для степенного базиса имеет вид:
.
Вычисляя все входящие в матрицу суммы по экспериментальным данным, параметры могут быть найдены, например, методом Гаусса.
В частности, если аппроксимирующая функция является линейной
с базисными функциями для которых скалярные произведения соответственно равны
расширенная матрица примет вид
.
Преобразуя матрицу к диагональному виду, получим следующие параметры линейной аппроксимации:
; .
Аналогично для параболической аппроксимации
расширенную матрицу можно записать в виде
Вычисляя из экспериментальных данных необходимые суммы и диагонализируя расширенную матрицу, находим параметры аппроксимации .
Коэффициенты вычислены путем математичес-кой обработки величин, полученных с погрешностью. Поэтому аппроксимирующая функция также будет получена с погрешностью.
Подставив найденные коэффициенты в соотношение (3.1), найдем значение суммы– квадратов отклонений табличных значенийотносительно полученной аппроксимирующей функции.
Степень аппроксимирующего полинома выбирают так, чтобы обеспечить по возможности точное приближение аппроксимируемой и аппроксимирующей функций на всем интервале. При обработке экспериментальных данных, определенных с погрешностью, когда аналитическое выражение для неизвестно, обычно начинают с аппроксимации полиномом степени . После определения коэффициентов вычисляют величину . Если получится, что, то необходимо увеличить степень полинома на единицу и повторить вычисления. Увеличение и повторные вычисления необходимо осуществлять до тех пор, пока не выполнится условие .
Для контроля целесообразно на одном чертеже построить исходные точки и график аппроксимирующего полинома. При правильном выборе значения график полинома усредняет, сглаживает случайные погрешности , на всем интервале .
Многие нелинейные задачи аппроксимации могут быть сведены к линейным путем замены переменных и значений функции. При этом данные таблицы пересчитывают и представляют в виде удобном для линейной аппроксимации. Рассмотрим несколько примеров.
2. Степенная аппроксимация. Аппроксимирующая функция представляет собой нелинейную функцию параметров и
В этом случае, логарифмируя аппроксимирующую функцию, задачу можно свести к линейной аппроксимации
Покажем, как получить для степенной функции формулы из табл. 3.1.
Сумма квадратов отклонений имеет вид:
.
Частные производные по основаниям и:
,
.
Приравняв частные производные нулю, имеем
.
Можно поступить другим способом. Введем замену переменных , а также новый параметр. Тогда
.
Таким образом, задача сведена к линейной. Для практической реализации решения задачи аппроксимации необходимо:
- прологарифмировать данные исходной таблицы;
- по новой таблице, решая линейную задачу аппроксимации, найти параметры ;
- вычислить .
3. Экспоненциальная аппроксимация .
Прологарифмируем исходную функцию . Тогда
.
Обозначим: . В результате получим
.
Задача сведена к линейной. Практически для решения данной задачи аппроксимации необходимо выполнить следующие шаги:
- прологарифмировать значения функции исходной таблицы;
- по новой таблице найти параметры ;
- вычислить .
Покажем, как получить для данной функции формулы из табл. 3.1.
Сумма квадратов отклонений имеет вид
.
Частные производные по основаниям и:
,
.
Приравняв частные производные нулю, имеем
.
В результате решения нормальной системы можно найти и, а по таблице антилогарифмов найти.
4. Гиперболическая аппроксимация .
Введем новую функцию . Задача сведена к линейной. Фактически необходимо построить новую таблицу, в которой значения аргумента остаются неизменными, а значения функции заменены обратными к начальным и, используя новую таблицу, найти параметры .
5. Гиперболическая аппроксимация .
Рассмотрим обратную функцию
Введем замену переменных . Тогда
.
Таким образом, для сведения данной нелинейной задачи к линейной достаточно заменить данные исходной таблицы обратными величинами.
6. Гиперболическая аппроксимация .
Сумма квадратов отклонений имеет вид
.
Частные производные по иравны
,
.
Приравнивая к нулю, имеем
.
Если нелинейную зависимость аппроксимирующей функ-ции от параметров нельзя представить в виде суммы (3.4), то задачу минимизации решают, используя численные итерационные методы (градиентный спуск, методы Ньютона и др.)
В табл. 3.1 приведены системы нормальных уравнений для некоторых исходных функций.
Таблица 3.1. Системы нормальных уравнений
Исходное уравнение |
Система нормальных уравнений |
|
|
|
|
|
|
|
|
|
|
Окончание табл. 3.1.
|
|
|
|