- •Содержание
- •Виды моделей
- •Модель объекта управления
- •Моделирование
- •Построение модели.
- •Получение данных
- •Основные предпосылки мнк: а по мнк должно быть
- •Приведены в пример практические реализации в.Я. Ротыча.
- •Обработка экспериментальных данных
- •Выбор структуры модели
- •Параметрическое оценивание
- •Оценка соответствия полученной модели экспериментальным данным
- •Регрессионный анализ:
- •Имитационное моделирование с применением натурных данных
- •Проверка полезности модели с помощью целевого критерия
- •Проблема некорректности задачи идентификации
- •Имитационное моделирование
- •Общая структура
- •Отображения информации
- •Натурно-модельные обучающие комплексы
- •9.1. Обучающие системы на базе многовариантных структур
- •9.1.1. Структура многоканальной игровой обучающей системы
- •9.1.2. Особенности представления информации в обучающих системах
- •9.1.3. Простой вариант учебной нормативной модели (применительно к управленческим задачам )
- •9.2. Общие структуры тренажеров
- •9.3. Система освоения и исследования методов идентификации, прогнозирования, регулирования
- •9.4. Система освоения и исследования методов идентификации
- •Литературные источники
- •П рактические работы
- •Постановка задачи
- •Приложение 1
- •Постановка задачи Моделирование доменной плавки по каналу «влажность дутья – содержание кремния»
- •Решение
Параметрическое оценивание
Наиболее распространенными методами параметрического оценивания для статических моделей являются:
- корреляционный анализ;
- регрессионный анализ.
В основу обоих методов положена одна и та же вычислительная процедура – метод наименьших квадратов, но третий этап обработки данных, связанный с оценкой соответствия полученной модели экспериментальным данным, у них различен. Это различие имеет под собой основу и связано с областью применения того и другого метода.
Различие между этими методами состоит в том, что регрессионный анализ разработан для отображения причинно-следственных связей оригинала, а корреляционный анализ разработан для установления зависимости между равнозначными (в смысле причинно-следственной связи) переменными.
Для пояснения этого положения рассмотрим следующую структуру объекта исследования (рисунок 18):
Рисунок 18 - Структура объекта исследования
Объект имеет 2 входных учитываемых воздействия v1 и v2, неконтролируемые входные воздействия vн, т.е. те воздействия, которые влияют на состояние объекта, но являются неконтролируемыми и, следовательно, не могут быть учтены моделью.
Объект имеет 2 выходных воздействия y1 и y2. При этом предполагается, что у1 зависит от v1 и v2, и у2 также зависит от v1 и v2:
; (66)
; (67)
Именно наличию ε1 и ε2 мы обязаны действиям vн.
Будем считать также, что в объекте исследования – оригинале – имеет место однонаправленная причинно-следственная связь, т.е. такая связь, где изменение причины (v1 и v2) обязательно приведет к изменению следствия (y1 и y2).
Модели (66) и (67) в таком случае отражают причинно-следственные связи, присущие объекту – оригиналу, и именно для них, для получения оценок коэффициентов таких зависимостей и их последующего анализа соответствия разработан метод регрессионного анализа.
В то же время модель вида
(68)
формально может быть построена, но она не имеет никакого физического смысла и не отражает реально существующих связей. В математике есть понятие обратной модели и выражение (68) в общем можно отнести к классу обратных моделей, формально ее можно использовать для промежуточных расчетов, как это, например, делается в методах восстановительно-прогнозирующей алгоритмизации. Но нужно всегда иметь ввиду, что называют ее моделью только формально, она не отображает реально существующие связи. Для такого объекта в то же время можно, например, построить зависимости
(69).
Зависимость (69) не отражает причинно-следственную связь. Она связывает между собой две равнозначные с точки зрения причинно-следственной связи переменные. Возникает резонный вопрос, а может ли быть связь между такими переменными для нашего объекта и зачем она нужна? Поскольку v1 и v2 одновременно влияют на y1 и y2, то можно предположить с большой степенью достоверности, что такая связь существует. Такое же право на существование имеет следующая зависимость:
(70).
Выражения (69) и (70) отражают косвенную (опосредованную) связь между переменными y1 и y2. Точно такие же связи могут быть между переменными v1 и v2. Такого рода зависимости нередко используются в косвенных измерениях.
Регрессионный анализ целесообразно использовать для отображения причинно-следственных связей, а корреляционный анализ – для опосредованных, косвенных связей. Именно в силу этих различий у этих методов третья задача, связанная с оценкой соответствия полученной модели экспериментальных данных – различна.
Мы уже отметили, что вычислительной процедурой обоих этих методов является МНК.