【数学建模】数学建模(一)——数学模型概述

杨利霞

1 p- E* l  i! b. D【数学建模】数学建模(一)——数学模型概述
( ^$ O$ J" z$ S2 ?" R 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。
+ M- s0 u( w5 Z& Y# ?1 _3 w) b3 e  y       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。
& T/ v. J: _: A: C. B6 \7 M' L, _       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。
7 S2 n, M& J- J! d/ l' W- C2. 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。
: `/ k( m' U4 U% o3 @3. 建模步骤
        按机理分析方法的建模步骤如下
% M& ~0 Q: ]. Q  G, Q- m  U
4 T* U! W& ^- s
  J# j& D2 a6 a# B# m, m$ l+ Y! x4. 建模过程
$ o; Q" g. |( ^. Q5 M        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。
* c% j, s1 U: ^

' x4 d/ F  k  f2 I* z/ C& @5. 模型分类
4 ?$ q4 ~0 }1 @) ~* a        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 U( s3 c1 w" {5 }        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。
. t2 s) c. g- f/ c. k5 `
7 ^5 v) ~* C6 r. D% t, V  k! ]" \
8 v& w# d3 g0 T2 L; C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。
5 s2 E. I- M# z  j        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。
9 p3 L0 z; r! H0 U用于执行分类、回归、聚类和密度估计的机器学习算法
- K  q- c6 ^7 y- t+ t% 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。
: \2 l5 E) D  b/ R
. M7 r4 b% `. b  H* ~5 V  U4 I
! ?) ?+ L7 k+ V0 i参考文献：
/ N2 t$ i; m/ t* e, q4 X1. 数学模型（第四版）. 姜启源
2. 系统建模与辨识 . 王秀峰
3. 机器学习（第九版）


. O. R6 N5 d. K) C2 i- E( R4 z————————————————
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。
0 y8 I' T6 E1 L8 y" G7 b+ k- O原文链接：https://blog.csdn.net/shandianke/article/details/42581155
7 |; b  X* o( s" J# z! t% @2 }: `
+ ]* F& [8 f- W& A& a 一. 模型
1. 原型和模型
+ `0 K( u0 i9 Y* i( u' H        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。
2. 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
# [2 @1 J  z4 o5 y        按机理分析方法的建模步骤如下
8 `) L: |( h4 K5 {5 A- I9 k; L

4. 建模过程
% S# a2 j6 ?4 o, a( L4 I        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。
. L) R+ t# }' c: J
) w2 I( ~" Y* A1 f  E# r- F
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。
3 Q% I* A8 |  ]9 f; Y, P        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。
4 ?- `  U$ G( g, s2 W8 U        按建模目的：描述模型、预报模型、优化模型、决策模型等。
2 g, E0 t5 P; @. `        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。
4 H6 G5 d. f% [" n' u* I- f' v        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。


& E3 D1 y* k+ b) r6 n8 A' H0 f5 ~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。
& H; E5 Q" ?8 J3 z        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。
  Z. P* ?' T6 M3 c' c' H2 R, l  o- e用于执行分类、回归、聚类和密度估计的机器学习算法


/ V( |" C7 j3 _% |        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。


参考文献：
* Z/ I1 i# ]- j/ W2 P& v6 G8 O1. 数学模型（第四版）. 姜启源
2. 系统建模与辨识 . 王秀峰
9 E* e4 ]4 u: C8 z( w9 Q9 l# T: o3. 机器学习（第九版）
8 W. q' B. k/ w; [1 D, d! E

————————————————
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

! D8 A$ d0 l0 I5 Q8 Y4 J