【数学建模】数学建模(一)——数学模型概述

杨利霞

2 [: V8 }4 b9 C% L【数学建模】数学建模(一)——数学模型概述
: L& \2 [( G6 H9 G 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。
- L1 S+ b- w* @! {2 V2. 建模方法
1 n9 |0 ~. b) ?* r/ D- m! G        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
8 h1 k# O2 h: M" G) _        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。

! r, t% R/ h% q4 i' \
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。
2 h0 i3 m: M8 g; e1 c        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。
; q5 L6 w# U& M3 E: ~# E二. 系统辨识
" r. H! {2 N+ U        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。
# m6 x* Y- u/ t- R0 N% i, 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。
: i) N& Z- f7 y3 |8 e
% S( a6 Y, O- {. m7 \
6 {( ~! a. k% B0 ^三. 机器学习
7 `; Y: \4 r! A+ G& X       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


& _/ J7 w4 z$ |2 _        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：
1. 数学模型（第四版）. 姜启源
2. 系统建模与辨识 . 王秀峰
4 t$ e& [* P& \2 M" w3. 机器学习（第九版）
' Y; D# X& J3 w3 W! a8 @
" Q% {/ U7 v2 Q4 ^+ c
————————————————
* ~3 {; S6 k7 l. r, r* s1 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。
原文链接：https://blog.csdn.net/shandianke/article/details/42581155

一. 模型
7 A* i( ?- [' w7 S- S/ R+ f0 E1. 原型和模型
5 |2 e5 c- y* r        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
: i/ ^4 ^- c- g' d$ ~8 \        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。
7 |1 V8 m4 @  X$ {9 B; z: a3. 建模步骤
6 Y$ H  x  F4 S9 C) K        按机理分析方法的建模步骤如下

, J' P: m+ h3 G  e2 ?2 b+ }
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。

2 m3 M, l) P# o( Z+ c: o
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 v8 @+ V, n- |  H( Z! Z        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。
8 U' |  W* T% n( _; P/ s8 Z; |        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。
        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。
8 D& L# R5 k5 J4 H: L% _, u: [
$ t& V; L: ~5 E
0 u  u. w- ]& V) \! }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 P( m1 g/ u# x8 _( ~* ^        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。
/ V  @+ b6 G& g- h! R用于执行分类、回归、聚类和密度估计的机器学习算法
8 l5 Y* W9 }/ k9 h) _) b

        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。
& @. i, R! }. A' \
  d- }+ D# P3 e( I
2 u/ e. r: |1 q3 X- W6 t5 ?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
( B& h5 M! s) {, c3. 机器学习（第九版）
- K7 \- @5 V7 N- }

: L# B' l# ]3 t! \8 c. j————————————————
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。
. g' N; _/ [; J" f4 u( T1 q( d原文链接：https://blog.csdn.net/shandianke/article/details/42581155
7 E0 p- A# J+ ~0 o3 U9 D' x4 j