【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
一. 模型
0 Q! d( p" L7 h% v# k1. 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。
! B/ n. C# W) ^3 q, r( l2. 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。
+ E# C0 q6 u$ q8 u- Y2 W" S( J3. 建模步骤
        按机理分析方法的建模步骤如下
9 Z) e- Q5 Z+ q" C- Y& \) B  G) S

# p  [$ |, H6 G! K, ]9 `4. 建模过程
" w/ g8 X7 z% J! K  U1 p3 @8 s        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。


6 J, O4 A' K2 j1 V1 ?# j, W& ]5. 模型分类
& }; u" p/ a% L1 ~2 C: x/ l        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 x( l  z" ~0 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。
        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。
1 s4 [* ]0 k; J1 i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。
. t1 i; D- U# x        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。
& \$ ?! Q& s; r) c, @. |& s        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。
, w* Z* N* T* ^$ y

三. 机器学习
& {* K7 `3 g! j2 @; L  J       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
+ a; k! c' S7 h/ U; H1 G6 D6 J2 L9 p
, R& D- p' e. o$ n( {2 A4 b$ ~$ J
        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 |1 A3 {) f5 {. Z0 E

; y* F- {/ Y! F8 c4 m& c2 c2 h; Z" }参考文献：
! j: ^5 C, l& N0 }) R1. 数学模型（第四版）. 姜启源
# P4 o) D6 P8 `$ t# ]9 v/ L2. 系统建模与辨识 . 王秀峰
3. 机器学习（第九版）


% T( x4 u/ T$ W( S# K6 X! [+ W+ X————————————————
, \2 B& X2 w5 O1 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

一. 模型
4 V* W. v' L! P7 x( k6 \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。
2. 建模方法
- R/ J+ P: D! K* b- 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。
3. 建模步骤
. Z2 g7 }7 I7 h4 e1 f5 d! f- _        按机理分析方法的建模步骤如下


4. 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。
/ X  _" q5 R- R- A+ O' R( \
. u+ G6 J7 x% e! n) h) G
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。
! o" q  {* s7 t# |        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。
7 ~4 X. r# ?3 `        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。


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。
- {, j7 J4 u7 Q; N用于执行分类、回归、聚类和密度估计的机器学习算法

7 N+ q7 u( Q) S, q/ u1 {
        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。
4 F) Y1 s0 M6 u$ l- a; R0 N
; ~7 O2 T1 Z3 |" ^; [" Z  y
参考文献：
1. 数学模型（第四版）. 姜启源
7 ^; `4 i6 [: q6 O* T% @1 r2. 系统建模与辨识 . 王秀峰
3. 机器学习（第九版）

) n4 |7 M, P- ^' \* V: t# t
/ x% A. z1 r8 c) ]* \————————————————
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。
$ D. |( j, y8 |原文链接：https://blog.csdn.net/shandianke/article/details/42581155


& [3 C0 u& \* k, c* ^/ B; G* o