- •Лекция 1.
- •1.1. Основные понятия и определения.
- •1.2. Требования к модели. Функции модели
- •1.3. Классификация моделей
- •1.3.1. Статические и динамические модели
- •1.3.2. Детерминированные и стохастические модели
- •1.3.3. Классификация математических моделей.
- •Лекция 2. Разновидности математических задач, возникающих при моделировании эмс.
- •2.1. Приближение функций. Интерполяция, экстраполяция, аппроксимация. Приближение периодических функций.
- •2.2. Алгебра комплексных чисел.
- •2.3. Решение систем линейных алгебраических уравнений (слау), матричная алгебра.
- •2.4. Решение систем нелинейных алгебраических уравнений.
- •2.5. Решение систем обыкновенных дифференциальных уравнений.
- •2.6. Решение систем дифференциальных уравненийв частных производных.
- •Лекция 3. Ошибки вычислений.
- •3.1. Общие характеристики вычислительных процессов.
- •3.2. Классификация погрешностей.
- •3.3. Абсолютная и относительная погрешности. Точные десятичные знаки.
- •Лекция 4. Приближение функций
- •4.1. Каноническая форма интерполяционного полинома.
- •4.2. Интерполяционный полином Лагранжа.
- •4.3. Интерполяция сплайнами.
- •4.3.1. Линейный сплайн
- •4.3.2. Кубический сплайн
- •Лекция 5. Аппроксимация функций.
- •5.1. Степенной базис
- •5.2. Базис в виде классических ортогональных полиномов
- •5.3. Малая помехоустойчивость метода наименьших квадратов при решении задач идентификации
- •5.3.1. Теория множественности моделей
- •Лекция 6. Приближение периодических функций.
- •6.1. Общие сведения.
- •6.2. Ряды Фурье.
- •6.3. Функции Уолша.
- •Лекция 7. Решение систем линейных алгебраических уравнений.
- •7.1. Область применения слау в задачах математического моделирования эмс.
- •7.2. Прямые методы решения слау.
- •7.3. Итерационные методы.
- •Лекция 8. Решение нелинейных уравнений.
- •8.1. Отделение корней уравнения.
- •8.1.1. Графический метод отделения корней.
- •8.1.2. Аналитический метод отделения корней.
- •8.2. Метод половинного деления (метод дихотомии).
- •8.3. Метод хорд.
- •8.4. Метод касательных (метод Ньютона-Рафсона).
- •Лекция 9. Численное интегрирование и дифференцирование.
- •9.1. Метод прямоугольников.
- •9.2. Метод трапеций.
- •9.3. Метод Симпсона.
- •9.4. Численное дифференцирование.
- •Лекция 10. Решение систем обычных дифференциальных уравнений (оду).
- •10.1. Метод Эйлера.
- •10.2. Методы Рунге-Кутты.
- •10.2.1. Метод Рунге-Кутты-Мерсона
- •10.3. Метод Адамса.
- •10.4. Визуализация решений оду.
- •Лекция 11. Визуальное моделирование динамических систем.
- •Лекция 12. Численное решение систем дифференциальных уравнений в частных производных.
- •12.1. Уравнения математической физики.
- •12.1.1. Уравнения параболического типа.
- •12.1.2. Уравнения гиперболического типа.
- •12.1.3. Уравнения эллиптического типа
- •12.2. Основные понятия метода сеток.
- •Лекция 13. Решение оптимизационных задач.
- •13.1. Методы безусловной одномерной оптимизации
- •13.1.1. Постановка задачи.
- •13.1.2 Метод обратного переменного шага.
- •13.1.3. Метод половинного деления
- •13.1.4. Метод квадратичной аппроксимации (метод Пауэлла).
- •13.2 Методы оптимизации многомерных функций.
- •13.2.1. Метод покоординатного спуска.
- •13.2.2. Метод наискорейшего спуска (метод градиентов)
- •13.2.3. Метод Нелдера-Мида.
- •13.2.3. Метод пчелиного роя.
- •Лекция 14. Идентификация параметров эмс.
- •14.1. Аппроксимация переходных характеристик элементарными динамическими звеньями
- •14.1.1. Апериодическая переходная характеристика
- •14.1.2.Колебательная переходная характеристика.
5.1. Степенной базис
Выберем базисные функции φk(х) в виде последовательности степеней аргумента х, которые линейно независимы,
(5.4)
В этом случае так же, как и при интерполяции, мы будем аппроксимировать экспериментальную зависимость полиномом. Однако степень полинома n выбираем обычно m<<n (при лагранжевой интерполяции m=n).
Аппроксимирующая кривая в МНК не проходит через значения исходной функции в узлах, но проведена из условия наименьшего суммарного квадратичного отклонения. Экспериментальные данные "сглаживаются" с помощью функции φ(х). Если же выбрать m = n, то на основании единственности интерполяционного полинома получим функцию φ(х), совпадающую с каноническим интерполяционным полиномом степени n, аппроксимирующая кривая пройдет через все экспериментальные точки и величина Q будет равна нулю. Последнее обстоятельство используется для отладки и тестирования программ, реализующих алгоритмы МНК.
Запишем расширенную матрицу системы нормальных уравнений для базиса (5.4):
Нетрудно видеть, что для формирования расширенной матрицы (5.5)достаточно вычислить только элементы первой строки и двух последних столбцов, остальные элементы не являются "оригинальными" и заполняются с помощью циклического присвоения.
Пример 5.1. Рассмотрим линейную аппроксимацию экспериментальных данных, т.е. аппроксимацию в виде прямой y = ax + b. В этом случае m = 1
Запишем расширенную матрицу Грама для этого случая:
Тогда, используя метод Крамера, получим следующие расчетные формулы для коэффициентов аппроксимирующей прямой:
Пример 5.2. Аппроксимация функций в MATLAB.
x = [1 2 3 4 5];
y = [4 2 0 1 -2];
% Построим интерполяционный многочлен (аппроксимация первой степени)
p = polyfit(x, y, 1)
p =
-1.3000 4.9000
При аппроксимации полиномом второй степени получим
p =
0.0714 -1.7286 5.4000
Пример 5.2. Аппроксимация функций в Excel.
Исходные данные в таблице:
x |
y |
1 |
4 |
2 |
2 |
3 |
0 |
4 |
1 |
5 |
-2 |
Вычисленное уравнение линейной регрессии размещается на графике:
5.2. Базис в виде классических ортогональных полиномов
Выбор базисных функций φk(х) в виде степеней х (4.8) не является оптимальным с точки зрения решения системы нормальных уравнений с наименьшими погрешностями. Приемлемые результаты в этом случае можно получить, если набор экспериментальных данных с удовлетворительной погрешностью удается аппроксимировать полиномом невысокой степени(m< 4-5).
Лучшие результаты может дать использование классических ортогональных полиномов Чебышева, Лежандра, Лагерра, Якоби и других в качестве базисных функций. Свойство ортогональности классических полиномов заключается в том, что для каждого типа полиномов существует отрезок [x0 – xn] на котором обращаются в нуль скалярные произведения полиномов разного порядка с весовой функцией р(х):
В случае большого количества узлов хj- на отрезке [x0 – xn] скалярные произведения будут близки к дискретным скалярным произведениям, так как интегрирование можно приближенно заменить суммированием.
Значит, недиагональные элементы матрицы Грама будут иметь небольшую абсолютную величину, что позволит уменьшить погрешность решения системы линейных уравнений.
Разыскать определение полиномов Чебышева, построить графики 3-5 первых полиномов Чебышева.
Многочле́ны Чебышева— две последовательности ортогональных многочленов Tn(x), n={0, 1, …} названные в честь Пафнутия Львовича Чебышева.
Многочлены Чебышева первого родаTn(x)могут быть определены с помощью рекуррентного соотношения:
Несколько первых многочленов Чебышева первого рода