【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
0 f- E, h0 O* [& a7 ?- f3 Z 一. 模型
' k9 G' |+ o7 ~* Y! s1. 原型和模型
. M% L  \4 R! D% N! _. W        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。
  Z, g, k' N' A8 s0 j2. 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。
2 m. i' s: y6 r* Y. n& m  E6 x& m3. 建模步骤
4 ]" s% R2 v% K" z# v4 K        按机理分析方法的建模步骤如下
) M: Y4 K" e( M# ^9 P9 |
! {" W  X6 O2 p. e; U
6 A. u* k1 N6 N! J4. 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。
% h! ]7 S0 T3 \3 R1 C1 M

/ r- o) T' ^9 Y6 e3 l. s4 ]5. 模型分类
6 g$ S0 e7 D2 u        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。
/ u+ f/ @; B2 B) 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。
, s* z6 n# d' k8 D1 H6 Y9 U0 H- P        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
' d( [* N# G+ ?7 ?        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。
$ ?% s# ?- L4 K% V; w) H7 w        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 w5 ?* u4 P; R+ C: h

: A5 L. ^6 z2 Y# Z三. 机器学习
9 X1 r, n! b, I+ p" D3 y& ]       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。
& W6 Q% J8 o- }8 m3 m, W6 y        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。
$ H3 k+ g1 ?  k* Z用于执行分类、回归、聚类和密度估计的机器学习算法
1 Q' s3 Y) v) m6 x4 @4 ~9 l" S

6 v/ R. @! P, L6 @% f        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。
9 H( K+ M$ N- E' s

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
& ]. X+ @/ {; F1 Q! O0 T3. 机器学习（第九版）
% j9 D. S( x( w7 ?6 ~# h
- I& R& e3 S) P: a) B
————————————————
* f5 L. _) ^* K& ]2 j. w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
1. 原型和模型
7 ?9 G+ ?1 t( t        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。
, w2 q3 D7 [& K$ Z4 P2 t       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
        按机理分析方法的建模步骤如下

6 k5 ?+ w9 k1 K- _: S% Q
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。
/ ?& x3 w0 U1 ^0 u4 ^
, f9 j4 a& ^; [# {  A. \- A9 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。
* y6 x5 C& O' B: v8 }        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
( t& x  r8 V" C7 r# x5 H4 f        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。
+ c% G/ _% w& [4 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。
        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。

' d# }: P# y8 Q5 \% A: w
, O! G/ [. M4 b+ W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

, X# x8 M  [4 d8 B$ C
        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。
6 Z$ n7 z2 q, \6 Z& E
) g, W0 n5 T3 G% S
/ {/ ?& \% M3 n. ]6 @# V( f参考文献：
# `, J8 D4 X8 X% p: z% t1. 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）

* @$ l7 C# h" ^' D/ ~: y' e1 R; V3 ~
————————————————
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。
: ~! f8 {) y7 `7 F; N9 E. _% [' g3 E原文链接：https://blog.csdn.net/shandianke/article/details/42581155
& }3 Q, B* |; N8 ~
0 W: v: K5 s* ?- T/ ?: r