【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 X) V5 T- Z- W* w1. 原型和模型
( Y% b+ y0 a* L; c% ^( o, G        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。
7 X3 K+ U( b. |  D       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。
1 K7 \; c# n0 P# A, W) T/ F8 Q2. 建模方法
3 h$ z  v6 w  n. W3 b# v        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。
0 b$ A- G# {( B3. 建模步骤
        按机理分析方法的建模步骤如下


4. 建模过程
" m" `" W- C, S# g- O: _$ R        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。


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。
        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。
$ e$ q! D! E2 m+ B0 L. H        按对模型结构的了解程度：白箱模型、灰箱模型、黑箱模型。
' |  V& A  v% o8 d: }& G+ J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 c! u: Y4 o' |' p/ f4 A        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。
, l2 N5 F$ n- E        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。

) W0 }% N8 ^! u1 S6 T  e; @
三. 机器学习
* p0 |+ T, e- 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。
5 p( Q  H& ]1 a& u1 t5 _3 b* [" A* r' q用于执行分类、回归、聚类和密度估计的机器学习算法


        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。


; \, \0 o! ]" r# C/ K( z  h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
3. 机器学习（第九版）

* C! l4 p: i6 [4 Q8 _3 C
————————————————
, T/ F4 A0 ?2 n2 w! M5 N( d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。
, ], O* t6 ~7 N原文链接：https://blog.csdn.net/shandianke/article/details/42581155
- z$ p5 D' L; {7 e+ E( _! _+ Q, m
- M3 |. Z8 b) z+ X3 }* f2 b5 c" | 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。
3 K! j: g$ Z" G( l: g, G' \       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。
& u% @, Q+ g, C. l2. 建模方法
: z+ ]# \8 q) p# a; z8 g+ c        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。
* s3 d; ~/ Z; o2 o3. 建模步骤
, }2 Y* ]& b# a5 ^  \        按机理分析方法的建模步骤如下

) M7 u9 H) Y4 Y; \! U
% ?$ J! x: a  K1 _! q4. 建模过程
. P" @: j3 U6 y        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。

' M9 P1 U1 e5 I
: Z0 ]" p; s' q4 h! I. `% |$ W5. 模型分类
, B- a8 _1 U! m. x/ R        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。
% ]8 A# a- p) B, x        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。
  a- \1 Z: c3 V二. 系统辨识
, s. d& ]: u. i0 y$ K6 b9 k        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。
% g' M: ]. ~% C( c% n
) g* }3 l$ ~( E: J
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

% j+ @7 V$ I9 t; ]
        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
: \- w$ ~; T( c. X4 P3. 机器学习（第九版）
( {* ^& T2 d6 P$ r6 R7 l3 \

* s' g* l1 N1 x; ~( s9 O- n3 f————————————————
2 E" ~2 @$ V5 e/ V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


7 `$ C* S, r# G4 i5 G# O" K- h+ \6 y