【数学建模】数学建模(一)——数学模型概述

杨利霞

$ I7 p% G; t$ H# e9 A【数学建模】数学建模(一)——数学模型概述
一. 模型
4 K/ J4 ?8 Q5 V' \0 a$ s8 X" R: T4 r1. 原型和模型
4 p4 X* {8 Y/ v: {/ k' S        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。
0 A$ V. o& s- U- \. F1 C9 t: X       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。
6 ?7 v$ u3 l* R% e2. 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
' N6 s1 @3 D  g, ~
$ a$ L, L: _" k7 q+ W( _9 G1 @
4. 建模过程
, [! `. o4 O/ V- S  n) J* h; l$ V: C        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。
- v, w8 x; i/ v- _2 _

7 |  {$ e2 p: D# s/ c" U7 I5. 模型分类
+ g) B* H: e  l1 L* {& I3 E        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。
% r( r& M. U; Y7 \: \( V        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。
2 a8 I$ J+ m; U  \9 Q- ^        按对模型结构的了解程度：白箱模型、灰箱模型、黑箱模型。
! u, Y7 r# w0 w0 u9 t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。
) ^0 h( `" S* B9 Y$ L$ j7 F" v* Y        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。

! F0 L1 y3 u. B9 z) s' f
三. 机器学习
5 W( m) _$ n$ |$ x" o  Z! ~       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。
用于执行分类、回归、聚类和密度估计的机器学习算法
8 c  f6 `9 _3 G; x& S3 z/ d% S

        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。

: A8 g6 b4 r' A  h8 V# }$ b
参考文献：
1. 数学模型（第四版）. 姜启源
2. 系统建模与辨识 . 王秀峰
& W% c8 K! g5 C3 J9 r2 D3. 机器学习（第九版）
2 j: f0 M* w/ ?8 I1 N
/ s7 r$ K3 K4 U1 q7 h
% ^1 e* R) v6 P. I5 H- x————————————————
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。
# I- Q+ B( H3 K7 d, D( {原文链接：https://blog.csdn.net/shandianke/article/details/42581155

一. 模型
1. 原型和模型
        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。
8 _, ~! W; |" j+ x  g+ m8 v3 H" B9 ?/ q       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。
: g6 e7 |1 z+ `/ }  j       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。
2. 建模方法
: M  J4 h3 [; f* u* @) T0 K        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。
& e4 t  b3 a5 p7 O3. 建模步骤
        按机理分析方法的建模步骤如下


$ q- r, ~  O# y" ]( i4. 建模过程
% r- d# N! F1 @9 b+ z        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. 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。
        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。
: I$ D5 H$ w! w1 Y        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。

0 V. F7 L! q6 @# d9 e
三. 机器学习
- n7 |% E) x- `6 N2 W' H       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。
2 G6 S$ c% A) ^4 c' a6 T用于执行分类、回归、聚类和密度估计的机器学习算法
  h- f# E% S) N/ C, f- v5 t0 Y0 Z
9 [7 f! q6 t7 k8 G' n) u
8 J$ [+ j# k) M# g# Y# m1 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。
# @" g/ C# \% E3 h
  E' p) t7 z; J  g5 O
参考文献：
1. 数学模型（第四版）. 姜启源
$ z) y: ?) t6 E0 q. }" K: e# X# c2. 系统建模与辨识 . 王秀峰
% n- d# \7 Q/ V# I4 Y) Y3. 机器学习（第九版）
% e% Y5 I( [4 s5 ~( t& w

6 e. G, x  L5 ~6 r0 s————————————————
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。
! _# m. g6 s" j: O- |, F原文链接：https://blog.csdn.net/shandianke/article/details/42581155


; t6 \7 N5 q! t1 n