数学建模社区-数学中国
标题:
【数学建模】数学建模(一)——数学模型概述
[打印本页]
作者:
杨利霞
时间:
2021-6-22 15:34
标题:
【数学建模】数学建模(一)——数学模型概述
1 I5 Y. g1 s q$ n- U
【数学建模】数学建模(一)——数学模型概述
1 C( J9 w# t: z- i% l, C; P# v9 \
一. 模型
( R- L& y# m; V1 }3 u& }
1. 原型和模型
. ]8 ?& M2 V/ a4 o# n9 O+ k' t
原型指人们在现实世界里关心、研究或从事生产、管理的实际对象。模型则指为了某个特定目的将原型的某一部分信息简缩、提炼而构造的原型替代物。
' D/ I5 ?7 G+ N$ R
按照模型替代原型的方式，模型可以分为物质模型（形象模型）和理想模型（抽象模型）。前者包括直观模型、物理模型等，后者包括思维模型、符号模型、数学模型等。
9 N. y: f+ B, c k8 N- Z! O
数学模型可以描述为，对现实世界的一个特定对象，为了一个特定目的，根据特有的内在规律，作出一些必要的简化假设，运用适当的数学工具，得到的一个数学结构。
! g, ]8 h3 Q6 Y
2. 建模方法
?& r) n+ F! d) R
建模方法大体可以分为机理分析和测试分析两种。机理分析是根据对客观事物特性的认识，找出反应内部机理的数量规律，建立的模型常有明确的物理或现实意义。测试分析是将研究对象看作一个“黑箱”系统，通过对系统输入、输出数据的测量和统计分析，按照一定的准则找出与数据拟合的最好的模型。
9 }. Q+ ` J& V
3. 建模步骤
1 O1 X( V9 b' I+ O- z
按机理分析方法的建模步骤如下
$ r" J- {! [) Q' D9 C4 q" Q2 a3 d5 C
& A8 o9 w0 e! B8 v3 d
, B; g" d2 |/ }8 Y, y
4. 建模过程
( P: E' S2 `0 B+ Z" a
按一般步骤，数学建模过程分为表述、求解、解释、验证几个阶段，并通过这些阶段实现从数学模型到现实对象的循环。
. A# e) w# e9 P; r) z r& S, \
- C- F( m) t+ a; D, O/ U. `2 ~
" b6 t- @1 O. [6 [: f
5. 模型分类
0 e/ R( O# r8 T3 l# N( v4 g
按建立模型的数学方法：初等模型、几何模型、统计回归模型、数学规划模型等。
+ E& \% i6 H( q8 S: j# {
按模型的表现特性：确定性模型和随机模型、静态模型和动态模型、线性模型和非线性模型、离散模型和连续模型。
, t. V) I( ]% s( Z9 q# p. o
按建模目的：描述模型、预报模型、优化模型、决策模型等。
9 M6 E7 u) j# o6 Y: @
按对模型结构的了解程度：白箱模型、灰箱模型、黑箱模型。
. N6 e' s0 l, n. w/ a
二. 系统辨识
* \: _& p) @4 X- |, X
在科学研究和工程实践中，实验和观测是重要的手段之一。实验的结果是输入和输出的数据，通过这些数据去建立数学模型就是系统辨识。
7 H, v; k [0 E, X
系统辨识为：根据输入与输出数据在指定的一类系统中选择一个系统，这个系统和所研究的实践系统等价。
z5 o5 f8 q4 Y c( l4 ]
系统辨识大致步骤：①模型类的选择；②实验设计；③参数估计；④模型核验与确认。
2 j) F4 |8 Y. D/ K8 ?2 l
/ f8 {0 C* m7 S3 d- _! T# ]6 w
5 B, j% }. K9 ~9 l4 `
三. 机器学习
1 P' d/ x9 M" Y
机器学习就是把无序的数据转换成有用的信息，它的主要任务就是分类，其中涉及的几个关键概念：①训练集是用于训练机器学习算法的数据样本几何；②目标变量是机器学习算法的预测结果，在分类算法中，目标变量的结果类型通常是标称型的，而在回归算法中通常是连续型的；③知识表示可以采用规则集的形式，也可以采用概率分布的形式。
2 ~* W' `; W- n( p% U
机器学习的另一个任务是回归，它主要用于预测数值型数据。分类和回归属于监督学习，是因为这类算法必须知道预测什么，即目标变量的分类信息。与监督学习相对应的是无监督学习，此时数据没有类别信息，也不会给定目标值。在无监督学习中，将数据集合分成由类似的对象组成的多个类的过程被称为聚类；将寻找描述数据统计值的过程称为密度估计。
: k/ f) m* X' o' b% v
用于执行分类、回归、聚类和密度估计的机器学习算法
/ z* \( B* @5 x e$ `5 y
) L, o1 ?5 R4 R
3 n0 }& F1 ?4 D( R2 u/ T
机器学习程序设计的步骤：①收集数据；②准备输入数据；③分析输入数据；④训练算法；⑤测试算法；⑥使用算法。
/ Q: s* H) A8 E
; @) D+ c( G8 c+ g2 |" L! s
" t2 e, u2 \7 w4 ^/ `& V
参考文献：
0 }3 X8 Z$ j! n3 P
1. 数学模型（第四版）. 姜启源
8 _# b! M7 \ C! }
2. 系统建模与辨识 . 王秀峰
) q. P9 v0 |" z ^; J+ M+ N& r8 V
3. 机器学习（第九版）
' ?. k& l l# [$ l4 V2 r
# L+ z/ w1 ^: @
6 B: Y! c* [$ x& x
————————————————
' V- R& r8 Q4 g* r
版权声明：本文为CSDN博主「大数据分析BDA」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
/ R* P* v3 A9 _) h' T& z2 b) W
原文链接：https://blog.csdn.net/shandianke/article/details/42581155
- u' A' s3 i7 H8 V4 ~; v+ R
U" D! c$ p0 a) t7 `5 `
一. 模型
, A+ r% Q) `% E4 `+ S
1. 原型和模型
$ Z7 ?3 V9 J( H% e4 l6 M
原型指人们在现实世界里关心、研究或从事生产、管理的实际对象。模型则指为了某个特定目的将原型的某一部分信息简缩、提炼而构造的原型替代物。
5 k' \$ Y, ?- o5 U$ i
按照模型替代原型的方式，模型可以分为物质模型（形象模型）和理想模型（抽象模型）。前者包括直观模型、物理模型等，后者包括思维模型、符号模型、数学模型等。
1 [& A4 t2 j7 U
数学模型可以描述为，对现实世界的一个特定对象，为了一个特定目的，根据特有的内在规律，作出一些必要的简化假设，运用适当的数学工具，得到的一个数学结构。
6 P' K1 s. M, _& K2 \
2. 建模方法
) C( o d$ N2 Y2 i* F9 t% z6 B
建模方法大体可以分为机理分析和测试分析两种。机理分析是根据对客观事物特性的认识，找出反应内部机理的数量规律，建立的模型常有明确的物理或现实意义。测试分析是将研究对象看作一个“黑箱”系统，通过对系统输入、输出数据的测量和统计分析，按照一定的准则找出与数据拟合的最好的模型。
9 u& Z }2 c+ s& Q
3. 建模步骤
* f* Z% j/ w5 N' z" a
按机理分析方法的建模步骤如下
7 k0 ?% t/ `6 ]
5 ~: e9 f s" a5 j0 `& N
6 Y, b- P2 s# P; q' R2 F" t3 w4 U7 T
4. 建模过程
% e# E# u `1 D% x8 j) ^, |
按一般步骤，数学建模过程分为表述、求解、解释、验证几个阶段，并通过这些阶段实现从数学模型到现实对象的循环。
5 W2 Z, N7 G4 o2 `5 c/ i, v
- ]+ A& V* h" N- c
+ z1 C4 A3 m% \) c% q
5. 模型分类
2 B! n s* S5 T; P
按建立模型的数学方法：初等模型、几何模型、统计回归模型、数学规划模型等。
. r2 R# i, r$ F' s6 ^, y
按模型的表现特性：确定性模型和随机模型、静态模型和动态模型、线性模型和非线性模型、离散模型和连续模型。
! c8 L( L$ F% @# D, O" G
按建模目的：描述模型、预报模型、优化模型、决策模型等。
6 E$ I& P9 Q1 e6 X
按对模型结构的了解程度：白箱模型、灰箱模型、黑箱模型。
0 M i6 y/ ], r; o7 O9 W j/ \; w
二. 系统辨识
8 g0 o+ g+ W7 }# o5 U8 f
在科学研究和工程实践中，实验和观测是重要的手段之一。实验的结果是输入和输出的数据，通过这些数据去建立数学模型就是系统辨识。
1 Q: n: [; h! T& u8 l5 r
系统辨识为：根据输入与输出数据在指定的一类系统中选择一个系统，这个系统和所研究的实践系统等价。
: p7 }: x& K, a8 P/ K7 G- X: Q& N" B
系统辨识大致步骤：①模型类的选择；②实验设计；③参数估计；④模型核验与确认。
; C7 Q9 J' E0 `8 I+ S
2 K9 v+ Z9 T+ v
3 L- d+ \) p0 ^) X
三. 机器学习
0 l S3 ?+ j7 \9 k7 ^+ v, W
机器学习就是把无序的数据转换成有用的信息，它的主要任务就是分类，其中涉及的几个关键概念：①训练集是用于训练机器学习算法的数据样本几何；②目标变量是机器学习算法的预测结果，在分类算法中，目标变量的结果类型通常是标称型的，而在回归算法中通常是连续型的；③知识表示可以采用规则集的形式，也可以采用概率分布的形式。
2 V, V! t1 F+ i* t
机器学习的另一个任务是回归，它主要用于预测数值型数据。分类和回归属于监督学习，是因为这类算法必须知道预测什么，即目标变量的分类信息。与监督学习相对应的是无监督学习，此时数据没有类别信息，也不会给定目标值。在无监督学习中，将数据集合分成由类似的对象组成的多个类的过程被称为聚类；将寻找描述数据统计值的过程称为密度估计。
: Q1 b7 G+ o4 s' |& p7 Q
用于执行分类、回归、聚类和密度估计的机器学习算法
& z" k1 Y4 A/ c% a
% g3 d7 P7 e5 d# u: J
. v, M, ~6 M; m
机器学习程序设计的步骤：①收集数据；②准备输入数据；③分析输入数据；④训练算法；⑤测试算法；⑥使用算法。
( X# y/ X9 O5 Z# N8 `
; ~1 G. ? w3 B* C. M% z9 V
! }6 R) J3 M0 k. L
参考文献：
1 O; y- U8 X2 P& V- D
1. 数学模型（第四版）. 姜启源
7 }5 u9 C% E/ N
2. 系统建模与辨识 . 王秀峰
- o5 z( a/ P; q6 _% F1 h) U$ `
3. 机器学习（第九版）
/ U1 r0 z; w0 N4 H( Q; I, t
# J+ z% }! k, ~
9 A6 a( ?+ b( c" _) Z
————————————————
1 V$ h, p$ j4 E1 F
版权声明：本文为CSDN博主「大数据分析BDA」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
3 O$ H8 N' |7 M5 E
原文链接：https://blog.csdn.net/shandianke/article/details/42581155
% v, w( y" W- |" b) l
& x" Y) p! c+ b1 n& H
7 A8 I' k' c) x
欢迎光临 数学建模社区-数学中国 (http://www.madio.net/)
Powered by Discuz! X2.5