【数学建模】数学建模(一)——数学模型概述

杨利霞

【数学建模】数学建模(一)——数学模型概述
- f9 t9 E/ ]' Q* M' S 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。
       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。
/ L: m) y0 k* G( T+ I2 x# A2. 建模方法
, A( Y% h" K5 v+ o7 m6 B1 c6 z# W  F        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。
" A: ~" P5 v: X! S# A8 z" b3. 建模步骤
# h4 r  A# B, J9 a* l        按机理分析方法的建模步骤如下


% n: Z' z' Q1 R! p  B( q4. 建模过程
2 n/ t1 M) a* d; f! q3 U        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。

9 g$ A0 m) o6 t* y; W
5. 模型分类
- p4 t: X: p* V: x+ s        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。
9 s, G2 R; [9 K' s& R        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, T  d3 C, _0 u        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。
& i  i$ |3 N" ]: n! ?0 A二. 系统辨识
4 S) o1 N3 x( s9 j. |+ {        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。
3 D+ {# a* z3 k& j        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。
        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。

% D1 w5 C3 m2 U  y
三. 机器学习
" a  e* W% W& E8 f. D9 ?$ }8 l       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。
- g* G  Q% k% W2 n& X+ i6 B0 b用于执行分类、回归、聚类和密度估计的机器学习算法
' h# B9 K# Q8 R9 k; w* A+ O" |# U

5 s  P% c3 b$ M9 L        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。
8 L' q2 j, W/ I, F2 U4 X" ]+ v5 R

: m( U. e$ k- e7 n4 L, `参考文献：
* ?: b. I; }# X1. 数学模型（第四版）. 姜启源
; `- b. c; h! L5 k# w. B2. 系统建模与辨识 . 王秀峰
3. 机器学习（第九版）
5 L1 k3 d# F2 ^9 d! L; n' Z
& B+ `; g" |+ n1 |( f* j* y5 M2 {
) L1 V: x! T" O  A————————————————
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。
原文链接：https://blog.csdn.net/shandianke/article/details/42581155
$ ]5 t/ |+ @7 g, F+ Q4 Y
4 x' V+ H+ `- ?; F5 d 一. 模型
$ m  u0 u! \4 B8 G1. 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。
; x/ L) _% n. d0 ~" O0 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。
2. 建模方法
7 p3 J+ c  C/ Q9 g" b4 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
        按机理分析方法的建模步骤如下
* l- ]9 a: d( s  _1 s( q5 F' v
/ `+ U/ M7 o/ k. L# m' \
2 @  q& _4 Y  n: n& j4. 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。
' `' }- ^- [# i+ j! K
: m2 p9 r1 z0 L7 w/ F
$ F- |5 p0 B! i5 t0 x5. 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。
! W& m3 }; b0 P5 ]' _        按建模目的：描述模型、预报模型、优化模型、决策模型等。
2 I( R& B. ^! b6 V7 _        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。
        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。

1 T  O9 {* ~+ q9 Z
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。
        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
5 @0 y/ o$ K7 g( |
* C) K8 N6 ]! A% Q) M
2 c8 Z' z) ?1 P3 M# S' w        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。


- ^7 ?' ?  S1 I- K3 O0 ?/ |+ u% m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
. I* `# y, q# y* N& O0 V# z$ B6 t3. 机器学习（第九版）
  z! M2 [& ~  R6 n& H- t

2 o4 p3 o; _$ e————————————————
* A" v6 l& F. H- 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。
原文链接：https://blog.csdn.net/shandianke/article/details/42581155
, H# z- j" ]' g0 Y6 V

6 D- q  {4 o4 ^& ~