Математическое моделирование - (реферат)
p>Применительно к исследованиям металлургического процесса достаточно использовать кривые низших порядков, например параболу второго порядка. Эта кривая может иметь один экстремум, что, как показала практика, вполне достаточно для описания различных характеристик металлургического процесса. Результаты расчетов параметров парной корреляционной взаимосвязи были бы достоверны н представляли бы практическую ценность в том случае, если бы используемая информация была получена для условий широких пределов колебаний аргумента при постоянстве всех прочих параметров процесса. Следовательно, методы исследования парной корреляционной взаимосвязи параметров могут быть использованы для решения практических задач лишь тогда, когда существует уверенность в отсутствии других серьезных влияний на функцию, кроме анализируемого аргумента. В производственных условиях вести процесс таким образом продолжительное время невозможно. Однако если иметь информацию об основных параметрах процесса, влияющих на его результаты, то математическим путем можно исключить влияние этих параметров и выделить в “чистом виде” взаимосвязь интересующей нас функции и аргумента. Такая связь называется частной, или индивидуальной. Для ее определения используется метод множественной регрессии.МНОЖЕСТВЕННАЯ ЛИНЕЙНАЯ РЕГРЕССИЯ
Множественной регрессией называется взаимосвязь трех и более переменных, или влияние двух и более аргументов на функцию y = f ( x1 , x2, ...... xn). ( 19 ) Для простоты рассмотрим случай, когда функция у сопоставляется с двумя аргументами x 1 и x 2 . Такую зависимость графически можно представить в трехмерном пространстве {у, x 1 , x 2} Совокупность всех т точек представляет собой корреляционное пространство. Задача определения связи у от x 1 и x 2 состоит в том, чтобы подобрать такую плоскость, например плоскость Р , которая наилучшим образом вписалась бы в данное корреляционное пространство: y = a + b 1 x 1 + b 2 x 2 . ( 20 ) При этом под словами “наилучшим образом” понимается удовлетворение требованию наименьших квадратов, т. е. сумма квадратов расстояний каждой точки корреляционного поля от искомой плоскости [уравнениеy = a + b 1 x 1 + b 2 x 2 ] должна быть минимальной. Это расстояние определяется выражением Dyj = yj - ( a + b 1 x 1 + b 2 x 2) ( 21 )
Требуется найти значения коэффициентов a, b 1 и b 2.
Выполнив необходимые преобразования, получим систему трех уравнений с тремя неизвестными:
, S y = m a + b1 S x1 + b2 S x2
S yx1 = a S x1 + b 1 S x 12 + b2 S x 1 x 2.
S yx 2 = a S x2 + b 1 S x1 x2 + b 2 S x22. ( 22 ) Решение системы уравнений относительно коэффициентов a, b 1 и b 2, позволяет определить их численные значения. Величины Sy, Sx1, Sx12, S yx1, Sy x2, Sx2, Sx22, Sx1 x2 . находятся непосредственно по данным производственных измерений. Таким образом, найденное уравнение регрессии описывает совместное влияние x 1 и x2 на функцию у. Коэффициенты a, b 1 и b 2 при этом имеют математический смысл. Коэффициент а равен функции у при нулевых значениях аргументов x 1 и x 2. В геометрической интерпретации коэффициент а соответствует ординате точки пересечения плоскости регрессии Р с осью y. Коэффициент b 1 равен изменению функции у при изменении первого аргумента х 1 на единицу при неизменном втором аргументе x 2. Аналогично коэффициент регрессии b 2 равен изменению функции у при изменении второго аргумента x 2 на единицу при неизменном первом аргументе x 1. Из уравнения множественной линейной регрессии могут быть получены уравнения частной регрессии аргументов x 1 и x 2 на функцию у: у = a' 1 + b 1 х 1 ( 23 a ) у = a' 2 + b 2 х 2 ( 23 b ) При этом угловые коэффициенты регрессии b 1 и b 2 сохраняют те же числовые значения, что и в уравнении множественной регрессии. Свободные члены уравнений для y можно подсчитать следующим образом: a' 1 = а + b 2 X 2, ( 24 a ) a' 2 = а + b 1 X 1, ( 24 b ) где а— свободный член в уравнении множественной регрессии ; X 1, X 2—средние значения соответствующих аргументов.
х\.
Закономерности и выводы, используемые при исследовании взаимосвязи трех переменных (в трехмерном пространстве), применимы и для взаимосвязи большего числа переменных, . т. е. для многомерного пространства типа y= f ( x1 , x2, ...... xn) ( 25 ) В этом случае расчет уравнения множественной линейной регрессии типа y = a+ b 1 x 1 + b 2 x 2 +. b 3 x 3 + + b n x n ( 26 ) ведется для определения коэффициентов a, b 1, b 2, b n.
Чтобы определить численные значения этих величин, необходимо решить систему уравнений: аналогичную приведенной выше для двух аргументов и функции. Определив коэффициенты регрессии решением системы уравнений , получим уравнение множественной линейной регрессии , из которого могут быть получены уравнения частной взаимосвязи функции с каждым аргументом:
у = a' i + b i х i , (27) где a' i—свободный член частного уравнения регрессии;
i - порядковый номер анализируемого аргумента.
Так же как и в случае трехмерной задачи, угловой коэффициент регрессии b iсохраняет то же численное значение, что и в уравнении множественной линейной регрессии . Свободный член частного уравнения регрессии рассчитывается по формуле
n
a' i = а + S b i X i - b e X e ( 28 ) i = 1
где а — свободный член множественного линейного уравнения регрессии; n — количество -аргументов;
X i—средние значения аргументов;
X e —среднее значение одного из -аргументов.
Оценкой тесноты связи при множественной линейной регрессии служит коэффициент множественной корреляции R, определяемый по формуле: R = { b 1 [ s x1 / s y ] r yx1 + .... + b n [ s x n / s y ] r yx n } 1/2 ( 29 ) Величина коэффициента множественной корреляции всегда положительна и может меняться от 0 (при отсутствии связи) до 1 (при функциональной связи). С помощью коэффициента множественной корреляции оценивают совместное влияние на зависимую переменную всех включенных в расчет аргументов. Квадрат величины коэффициента множественной корреляции показывает долю изменчивости зависимой переменной, обусловленную изменением всех рассматриваемых аргументов, и называется коэффициентом множественной детерминации. Для оценки тесноты частной взаимосвязи функции и каждого аргумента служит коэффициент частной корреляции. Этот статистический показатель учитывает тесноту взаимосвязи функции и одного из показателей-аргументов при условии, что остальные аргументы закреплены на уровне своих средних значений и не влияют на функцию. Коэффициент частной корреляции обозначается индексом r yx i, где i—порядковый номер оцениваемого аргумента) и рассчитывается по формуле { 1 - R 2 n } } 1/2
r yx i = { 1 - ----------------} ( 30 ) { 1 - R 2 n - 1 }
где R 2 n — квадрат коэффициента множественной корреляции для п аргументов; R 2 n - 1 —-квадрат коэффициента множественной корреляции для n—1 аргументов без i-того^. Как видно из формулы ( 30 ), коэффициент частной корреляции позволяет выделить уменьшение изменчивости фактических значений функции вокруг расчетных, связанное с введением в расчет уравнения множественной регрессии i -того аргумента. Коэффициент r yx i принимает значения от 0 ( при отсутствии связи) до 1 (при наличии функциональной связи). Из формулы (30 ) невозможно определить знак коэффициента частной корреляции, поэтому его определяют по знаку углового коэффициента регрессии b iдля данного аргумента. Значение коэффициента частной корреляции может отличаться от коэффициента парной корреляции не только по величине, но и по знаку для одной и той же задачи. При этом нужно помнить, что коэффициент частной корреляции является более объективной оценкой действительной взаимосвязи. Оценка тесноты индивидуальной связи функции и аргумента при множественной регрессии с помощью коэффициента частной корреляции является более достоверной. Это соображение подтверждается уменьшением рассеяния точек относительно линии частной регрессии по сравнению с линией парной регрессии. Следовательно, даже при уменьшении коэффициента частной корреляции по сравнению с парным при частной регрессии наблюдается более тесная связь между функцией и аргументом. Для расчета по формуле (30) необходимо рассчитать коэффициенты регрессии с помощью систем уравнений отдельно для п и п—1 аргументов. При этом значения коэффициентов будут различными. Итак, в результате решения уравнения множественной регрессии , можно найти численные значения коэффициентова, b 1, b 2, b 3, .... , b п. , определить показатели тесноты связи, а именно коэффициент множественной корреляции R, коэффициент детерминации , коэффициенты частной корреляции r' ух i. Несмотря на то что уравнения частной линейной регрессии характеризуют реальную взаимосвязь функции иi-того аргумента с большей достоверностью, чем уравнения парной регрессии, они во многих случаях не удовлетворяют исследователей. Недостаток уравнений частной линейной регрессии заключается в том, что анализируемая зависимость представляется в виде прямой. В действительности, большинство взаимосвязей параметров металлургических процессов имеет криволинейный характер. Любое техническое мероприятие тем эффективней, чем хуже абсолютные исходные показатели. Для повышения достоверности взаимосвязей параметров технологического процесса необходимо определить уравнения частной криволинейной регрессии. Рассмотрим несколько способов такого определения.
ЧАСТНАЯ КРИВОЛИНЕЙНАЯ РЕГРЕССИЯ НА ОСНОВЕ МНОЖЕСТВЕННОЙ ЛИНЕЙНОЙ РЕГРЕССИИ Для упрощения рассмотрим задачу, в которой фигурируют два аргумента ( x 1 и x 2) и функция у. Рассчитаем уравнение множественной линейной регрессии, т. е. определим численные значения коэффициентов а, b 1 и b 2 Найдем уравнения частной криволинейной регрессии. Например, чтобы получить уравнение частной регрессииу по x 2, нужно исключить влияние на у аргумента x 1. Для этого можно использовать следующий прием: каждое значение функции у в таблице исходной информации нужно скорректировать на величину отклонения первого аргумента от своего среднего, пользуясь для этого найденным угловым коэффициентом регрессииbi. Тогда каждое скорректированное значение функции у' будет равно: y' j = y j - (x 1j - X j ) b 1 , ( 31 ) где y j —значение функции в таблице исходной информации
