- 在线时间
- 1630 小时
- 最后登录
- 2024-1-29
- 注册时间
- 2017-5-16
- 听众数
- 82
- 收听数
- 1
- 能力
- 120 分
- 体力
- 564703 点
- 威望
- 12 点
- 阅读权限
- 255
- 积分
- 174634
- 相册
- 1
- 日志
- 0
- 记录
- 0
- 帖子
- 5313
- 主题
- 5273
- 精华
- 3
- 分享
- 0
- 好友
- 163
TA的每日心情 | 开心 2021-8-11 17:59 |
|---|
签到天数: 17 天 [LV.4]偶尔看看III 网络挑战赛参赛者 网络挑战赛参赛者 - 自我介绍
- 本人女,毕业于内蒙古科技大学,担任文职专业,毕业专业英语。
 群组: 2018美赛大象算法课程 群组: 2018美赛护航培训课程 群组: 2019年 数学中国站长建 群组: 2019年数据分析师课程 群组: 2018年大象老师国赛优 |
9 ]% d' X' @+ {: V/ d
【数学建模】数学建模(一)——数学模型概述9 h) f9 Z Y. W4 j+ K
- d/ Y2 q. C( M" U+ j
6 n/ N6 q% P+ K
一. 模型
* z0 f5 Z) ^# W! I# {1. 原型和模型
7 @7 J" x. W0 \5 z0 J' 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。
, ?/ G- e7 t* B, A" l 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。9 [' |! r) U# N7 N5 h. ~ L- j9 `8 N
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。% e6 x6 }+ P% k
2. 建模方法9 g8 [! z3 b9 _. @
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。
! q& g9 m' K' _9 v* \3. 建模步骤
; a. L2 T5 g# n' G4 s, i- v% r0 [ 按机理分析方法的建模步骤如下
: [# e- @8 W) t* }/ Q1 _; b 1 j- x( y y0 G
4. 建模过程' }& S% w: \2 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。9 C3 c5 Z& z! ?3 g, m5 r
5 _' N+ o, n% P. C+ @: X
" \4 }/ e/ }/ _. X9 z& J: W, p* R
; A; m5 b7 U( j0 S8 ^, i5. 模型分类; ?) d" i& p+ U# J
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。
; _% d( |8 ?$ 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。, @$ E% M! e6 @9 S& U! A' x
按建模目的:描述模型、预报模型、优化模型、决策模型等。7 W+ b$ t1 H3 ?
按对模型结构的了解程度:白箱模型、灰箱模型、黑箱模型。! O/ O4 O: `# X& H+ V
二. 系统辨识
1 W; g9 k/ g% { 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。
1 D s7 e+ D, k: C3 v' h 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。9 i5 d, `; f3 m( g& S/ m& b
5 [6 v' I6 X, |, k# I) H, W 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。
3 d7 t4 }* H0 H# ], l N
4 {' w2 ?5 l/ R5 J4 w* ~" E7 ]4 H& X6 J& z/ l H6 C0 b
$ O% l) g7 F3 X3 P! q
. T8 ^, O6 s% _5 G8 j+ Y8 y* H* P( i
5 \( u& Y f. S. i4 p
三. 机器学习
, V# V6 o) V, z% b, k& 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。
/ }- r+ C; P/ g3 ~ 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 E! O a B {. \" h7 w' j: T1 ~6 O- s0 ?1 k9 P
6 r6 Q2 ] V7 I; z. d8 x4 Z用于执行分类、回归、聚类和密度估计的机器学习算法
6 v1 E! W, p+ o I5 a. ?+ `) L2 S5 G1 Z* ?5 L; q3 ^* a, g4 m
) b2 S' B0 ?+ W- [
![]()
! g. D+ B$ t H3 q* g. x) K! Y5 _. \1 v7 d2 h
/ `5 b) J E$ g7 {: s6 l0 k
$ T" N/ o L9 j1 e! r 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。% p0 H; ~5 T0 u1 g
' `! T8 ^$ e- _参考文献:6 E/ E2 u6 g8 e8 I X1 t$ s
1. 数学模型(第四版). 姜启源+ E0 S$ x* l$ X* _ v2 \
2. 系统建模与辨识 . 王秀峰
, r8 p1 `& ]# k% W- Q3. 机器学习(第九版)9 Y3 u0 C n+ g; [
3 D$ X( ]! ~7 u0 I$ L. r" `2 M6 m
# l9 \% D; E/ x1 ~( Z# a
h. L1 f1 j# l! P3 M$ y
$ e! C: u; h+ k8 I( {0 {% n |
zan
|