【数学建模】数学建模(一)——数学模型概述

杨利霞

# _" r0 }& k1 w! X) z9 s( T【数学建模】数学建模(一)——数学模型概述


, T# }4 O( z% G( p: u! ^+ `* g一. 模型
" C8 g7 s% ~" R1 P1. 原型和模型
3 l/ C# A- O$ U        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。
       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。
       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。
" {) U8 y7 X' w7 J5 A( \1 a2. 建模方法
        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。
3. 建模步骤
        按机理分析方法的建模步骤如下
. t* S+ ^2 O* `7 U8 x
4. 建模过程
        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。

$ t" ~% M9 n7 R8 H) m/ ]3 A

5 R% Y0 U9 t2 ^7 q7 R. C5. 模型分类
        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。
        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。
        按建模目的：描述模型、预报模型、优化模型、决策模型等。
4 \4 b0 H. D6 L9 b) n        按对模型结构的了解程度：白箱模型、灰箱模型、黑箱模型。
二. 系统辨识
        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。
        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。

6 A$ f3 R2 _; n8 n3 i        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 ^7 E) l; e- E7 s* B4 C+ H' B4 ~3 [
. V* o0 s: i. G" J, x

+ B. j! z0 h0 P7 x1 a


三. 机器学习
8 @& p0 l5 H' o2 M6 k       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。
        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。


5 g3 U  w2 T8 B0 X3 }

用于执行分类、回归、聚类和密度估计的机器学习算法

  b) B/ H/ x" Y# T$ q; ~1 p( d! U

$ [1 `2 f. q+ r! P4 I


8 r0 U0 Y/ m& N1 X; \* g6 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。
- W; y% v1 M, D
参考文献：
2 O6 O, b6 A) O1. 数学模型（第四版）. 姜启源
3 r7 o  z& y; b" Z2. 系统建模与辨识 . 王秀峰
# A8 i$ }: B5 g4 D7 D. p3. 机器学习（第九版）
* s2 {; A! A6 d4 o


& b" r5 E3 H0 p. |) s
( U; q; S8 |, Q$ B" w% s, B- K) \

龙龙鲸鱼寜

谢谢楼主分享
9 |8 Z0 h- H  X0 P9 w