【数学建模】数学建模(一)——数学模型概述

佛自业障

一. 模型
" `1 E' r! K* F- P9 R7 ?/ W1. 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。
) Q5 m+ X4 w: T! ^8 }( d       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。
5 u% Z7 K% _/ m2 X& 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。
2. 建模方法
/ u1 T3 q1 l7 W4 S        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
3 F+ }& f' ~3 ]! C" p( i        按机理分析方法的建模步骤如下

% Y9 Z7 P3 j; Y% B) ~0 {8 N4. 建模过程
, d* c/ f! Y9 x8 O0 e9 {: T        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
  s6 C, X9 I4 D* C) z' p6 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。
1 i( k1 q& b9 P9 d3 I6 a. M3 R/ U        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。
5 j4 w2 f% k' j& O% n        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。
8 @6 }; O, L: k2 z0 Q6 M! G! K二. 系统辨识
9 T# x( j$ y& I6 A8 m. Q3 m        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。
; L7 @" ?; V9 O) i0 o        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。
1 \$ y& t" h* F2 s7 u        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。
% f1 f* G% @; X- s5 P" N
三. 机器学习
       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。
& ?3 J4 y* q' `        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' i* h" R5 n" u1 D用于执行分类、回归、聚类和密度估计的机器学习算法

# n9 W2 |/ K8 f        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。
" c2 i+ Z. x- `0 Y/ |. L; ^
6 _" c' z, r# d$ a

! g5 p% F7 P3 ^9 F- C