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
& b6 B3 {: ?$ N Q
【数学建模】数学建模(一)——数学模型概述
% m- X' X% v: b8 H; Y1 ?
一. 模型
+ d4 I- F' X8 [
1. 原型和模型
$ s s; N( S9 Y2 l$ r: G$ g
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。
6 A4 P% m, L" t0 [- J
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。
$ `$ J R9 K0 s# N$ ~' i8 D3 h
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。
0 {- C* @, A( b( V5 w: ~
2. 建模方法
# l2 }: o( \ ]: c L! v: U' h
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。
1 e+ O1 C' A: u; q
3. 建模步骤
+ C8 U5 Y4 K( |1 v; p& s
按机理分析方法的建模步骤如下
3 V ^, E9 x8 k" k# A
8 v/ t4 F4 U; d
& Y) Z, c+ M) G& n, @
4. 建模过程
, }& x' [$ m" t* l! {
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。
& o$ P9 R1 l5 U/ _
8 \+ E0 T5 r. r% k; }2 E
4 k6 Y, M# M1 q- H
5. 模型分类
% B% q! ?' W, }: f
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。
" c- f `0 i. j- 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。
6 T2 x$ ]: c r
按建模目的：描述模型、预报模型、优化模型、决策模型等。
! C* P4 E- O5 J. ]$ |
按对模型结构的了解程度：白箱模型、灰箱模型、黑箱模型。
- z2 k( P* _6 i, R
二. 系统辨识
* \+ L% N$ U% g9 [8 ~1 L3 p
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。
& E3 J9 U9 T2 I( w+ O% Z
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。
8 a) _$ P# x1 Z t5 b3 S
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。
9 p: T e( {2 k" D2 A& \0 K
- E* M/ |7 J# i& c& i8 ^; n
) w i N% H: \3 y2 \" M9 t3 t' a
三. 机器学习
; K) I/ v/ B. i
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。
) S) c1 t0 _. \% ?0 O
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。
& S' @8 e4 O0 H% H
用于执行分类、回归、聚类和密度估计的机器学习算法
4 h9 V* {) t4 n
8 C- ~0 T- }! v& u" f! V, t3 a
9 }5 w& \, B, 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。
5 c5 F) N; H9 l9 c$ \0 L5 k
5 b- Q7 `+ H8 A( B% N) a
, A4 B+ d0 Z A1 ?8 ~3 w4 f9 g; v
参考文献：
8 g/ a( C; R, r' V `+ j1 ?
1. 数学模型（第四版）. 姜启源
% O/ ~0 Y$ A' M. ^; U* C' g: t' U
2. 系统建模与辨识 . 王秀峰
$ a3 j3 t) E0 d3 d& o
3. 机器学习（第九版）
# V" v: L0 [% Q& p
. v2 k( ?: F( ^2 C% Y6 h0 d: a6 _
8 L) i5 E4 F# e% |" p/ B
————————————————
- i1 s' w# x) E
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。
% \& S) z8 K( j+ W# J, y0 K7 i
原文链接：https://blog.csdn.net/shandianke/article/details/42581155
1 j1 H) J, E: f* `6 s
& S' {4 X5 \7 w0 z& ~5 p
一. 模型
" ~; t% A/ Z' p' \ E
1. 原型和模型
M( S/ |2 z+ V. K1 @2 F3 @3 e
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。
; _. @3 m( }9 [8 x7 `$ v1 M4 c
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。
' v# _6 p/ g) m& n1 j1 P
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。
8 Y4 h- {: A7 ^% r% I
2. 建模方法
{' O7 C' X, i+ x& ?5 u& e' `
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。
1 m! P7 ?: [3 {, U7 f: ~
3. 建模步骤
, Z8 {6 P' K" p4 ] ^* a9 A
按机理分析方法的建模步骤如下
5 s( G' t$ f! P4 E+ T8 h# H
+ I( j9 ?! B5 ?% Y
8 z: v2 a2 S( Z0 m- J' r
4. 建模过程
; g0 R2 r: X4 u) K" ?# e
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。
/ v8 ^; f) @: B5 J1 z: \) A- E
/ d9 S- H9 k2 V2 l
) a, e- U3 Q; T; g# J' P0 D
5. 模型分类
, e5 H0 Q; O* y
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。
. o# c1 [7 U9 J, n
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。
, m! J4 V4 d1 o
按建模目的：描述模型、预报模型、优化模型、决策模型等。
1 A' b8 Z- w9 C3 d/ l) ]1 i! }
按对模型结构的了解程度：白箱模型、灰箱模型、黑箱模型。
& L2 I' y' y5 Y% d3 S- H+ ]
二. 系统辨识
, R3 e$ N/ I# k b$ V
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。
" v6 b! Y: x1 z5 D7 v0 K' e
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。
& ?- F- z- R- o4 L
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。
) I$ }" z/ v/ ~7 P+ G2 h$ u G& l8 s
5 g1 u/ ?( T1 q4 s5 x. m
3 N( T5 s4 f/ E9 m- W( n( D
三. 机器学习
* f; e+ L3 F8 K0 ^ g
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。
9 A5 @/ t; K* b/ l
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。
! C: `* }3 X8 T4 F8 B# D/ Z {
用于执行分类、回归、聚类和密度估计的机器学习算法
! }, {" ?! _! q8 E+ v
2 \$ {: ^5 E5 {$ o: d$ O
2 m* Q% a1 |" M2 H
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。
% F5 W+ c: w; X8 R1 x/ \% t
( | n- D# o9 y$ @: \" R( `. T
% f6 m- |- f* R+ I' R/ f
参考文献：
% q: M! q% i2 x4 c+ F; |
1. 数学模型（第四版）. 姜启源
! _0 ?! U# k& s q+ r: J; M& _
2. 系统建模与辨识 . 王秀峰
& D1 l1 [" R5 |0 }4 K
3. 机器学习（第九版）
; F; f" b8 u* {" g i- K) S4 v
2 H3 O, _, [! E1 l. k
# v% o, {4 Z. R4 R
————————————————
! t/ l/ C7 P* I2 R9 O$ h- v
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。
$ F! P5 K+ L7 k7 e% E% @* n
原文链接：https://blog.csdn.net/shandianke/article/details/42581155
# C) v9 \' L% X
% B4 }2 Y: L% x
) v5 l0 R6 X3 J J7 r) j4 i
欢迎光临 数学建模社区-数学中国 (http://www.madio.net/)
Powered by Discuz! X2.5