4.3 Порядок выполнения работы
Перед началом работы в окне модели установите время моделирования и шаг в соответствии с вариантом (Simulation->Simulation Parameters->Start time=0, Stop time=10, Solver option->Fixed step, Fixed step size=0.1).
I. Собрать схему (рис. 4.4):
Рис. 4.4
II. Параметры схемы:
Блоки:
1) Simulink->Sourses->Random Number
параметры:
mean 0
variance 1
2) Simulink->Sourses->Ramp
параметры:
slope 1
start time 0
3) Simulink->Math Operators->Sum
4) Simulink->Sinks->To Workspace
параметры:
Variable Name y
Save Format Array
5) Simulink->Sinks->To Workspace1
параметры:
Variable Name x
Save Format Array
Произведите моделирование схемы.
Перейдите в основное меню окна MATLAB.
В окне Command Window наберите имя переменной, указанной в Simulink->Sinks->To Workspace Variable Name, и нажмите enter. Вы увидите результаты.
III. Измените параметры блока Simulink->Sourses->Random Number на
mean 1
variance 1
и измените имена переменных в блоках Simulink->Sinks->To Workspace
например,
Simulink->Sinks->To Workspace
параметры:
Variable Name z
Save Format Array
Simulink->Sinks->To Workspace1
параметры:
Variable Name t
Save Format Array
IV. Произвести моделирование полученной схемы.
Перейдите в основное меню окна MATLAB.
В окне Command Window наберите имя переменной, указанной в Simulink->Sinks->To Workspace Variable Name, и нажмите enter. Вы увидите результаты.
V. По значениям, полученным с выхода сумматора и генератора линейно нарастающего сигнала, построить линию регрессии в следующих осях координат: по оси абсцисс отложить мажорированные значения сигнала с выхода генератора линейно нарастающего сигнала, по оси ординат – соответствующие им значения с выхода сумматора.
VI. Рассчитать коэффициенты теоретической линии регрессии (по формулам) и построить ее в тех же осях координат.
4.4 Контрольные вопросы
1. Что характеризует линия регрессии? Для чего она строится?
2. Каков порядок построения экспериментальной линии регрессии?
3. Каков порядок построения теоретической линии регрессии?
4. Каким будет угол наклона линии регрессии, если две переменные между собой имеют коэффициент корреляции: положительный, равный нулю, отрицательный?
5. В чем суть метода наименьших квадратов?
Лабораторная работа № 5
Изучение методики оценки погрешности косвенных измерений
5.1 Цель работы
Овладение практическими навыками оценки погрешности косвенных измерений.
5.2 Теоретическая часть
Если величина Н является функцией нескольких величин (x,y,z), то погрешность величины Н можно оценить, зная погрешности прямых измерений величин x,y,z. Среднее квадратическое отклонение измерения величины Н может быть вычислено по правилу: средняя квадратическая ошибка величины Н равна корню квадратному из суммы квадратов произведений частной производной от функции по каждой из величин x,y,z на среднюю квадратическую погрешность прямых измерений каждой из величин x,y,z.
Производные вычисляются в точке (x,y,z). Правило справедливо в случае, если величины x,y,z независимы (некоррелированы). При суммировании случайных погрешностей необходимо учитывать их корреляционные связи. Суммарное среднее квадратическое отклонение при двух составляющих ошибки может быть вычислено по правилу: суммарная среднеквадратическая ошибка равна корню квадратному из суммы квадратов среднеквадратических составляющих ошибки плюс, удвоенное произведение коэффициента корреляции на среднеквадратические погрешности отдельных составляющих.