i-808190579
.pdfType – тип приближения (модели);
DFE – число степеней свободы, т.е. разность между числом данных
ипараметров модели.
# Coeff – число коэффициентов в параметрической модели.
Доверительные интервалы и полосы.
При подборе параметров в приложении cftool вычисляются довери-
тельные интервалы для найденных значений параметров модели, соответствующие некоторому заданному уровню вероятности (по умолчанию он равен 95%). Границы доверительных интервалов для параметров выводятся в область вывода Results диалогового окна Fitting.
Доверительные интервалы для параметров модели вычисляются по следующей формуле
C b t S ,
где b – найденные значения параметров, t – обратная функция для функции распределения Стьюдента, S – вектор из диагональных элементов матрицы
Sv X T X , где X – матрица плана, Sv – среднеквадратичная ошибка.
Границы доверительных полос, соответствующих различным уровням вероятности, могут быть построены как для данных, так и для приближения.
Для построения доверительной полосы для данных следует установить нужный уровень вероятности, выбрав в меню View основного окна приложения пункт Confidence Level и задав в подменю нужный уровень вероятности, а затем выбрать в меню View пункт Prediction Bounds.
Сглаживание и фильтрация данных.
Если данные сильно зашумлены, то имеет смысл произвести их сглаживание. Однако следует иметь ввиду, что сглаживание данных, приводит к тому, что предпосылка МРА относительно нормального распределения ошибки не будет выполняться. Поэтому сглаживание обычно применяется для получения информации о возможном выборе типа параметрической модели, а сам процесс подбора параметров параметрической модели проводят для исходных (несглаженных) данных.
61
Приложение 2
Тестовый пример в системе Mathcad
1. Моделирование пассивного эксперимента |
|
|||
N 100 |
W 10 |
U0 1 |
mu W u W |
q 0.05 |
u1 rnorm(N mu u ) |
|
|
||
u2 runif(N W W) |
- входные воздейс твия |
|
||
a ( 10 2 |
3 0.2 |
0.4)T |
|
|
n 4 F a0 U0 a1 u1 a2 u2 a3 u12 a4 u2-2модель объекта
v W 10 |
V rnorm(N 0 v ) - помеха |
Y F V - наблюдения выходной переменной
2. Матрица наблюдения входных переменных X и вектор наблюдения выходной переменной Y
X |
|
for i 0 N 1 |
|
|
|
|
|
|||||
|
|
|
|
|
|
|||||||
|
|
|
j 0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
while j n |
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
xi j U0 |
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
j j 1 |
|
|
|
|
|
|||
|
|
|
|
xi j u1i |
|
|
|
|
|
|||
|
|
|
|
j j 1 |
|
|
|
|
|
|||
|
|
|
|
xi j u2i |
|
|
|
|
|
|||
|
|
|
|
j j 1 |
|
|
|
|
|
|||
|
|
|
|
x |
u1 2 |
|
|
|
|
|
||
|
|
|
|
i j |
|
|
i |
|
|
|
|
|
|
|
|
|
j j 1 |
|
|
|
|
|
|||
|
|
|
|
x |
u2 2 |
|
|
|
|
|
||
|
|
|
|
i j |
|
|
i |
|
|
|
|
|
|
|
|
|
j j 1 |
|
|
|
|
|
|||
|
|
x |
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|||
M XT X |
C M 1 |
|
a1 C XT Y |
|||||||||
Вектор оценок коэффициентов |
|
|
|
|
||||||||
|
|
|
|
|
|
|
11.885 |
|
|
10 |
||
|
|
|
|
|
|
|
2.02 |
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
a1 |
|
3.034 |
a |
|
3 |
|
||
|
|
|
|
|
|
|
0.207 |
|
|
|
0.2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0.349 |
|
|
0.4 |
||
|
|
|
|
|
|
|
|
|
62 |
|
|
|
Y1 a1T XT
Остаточная дисперсия
|
|
|
|
|
1 |
|
|
|
|
N 1 |
|
|
|
T |
2 |
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
SSv |
|
|
|
|
|
|
Yi |
|
Y1 |
i |
SSv 95.221 |
|
|
Sv |
|
SSv 9.758 |
|||||||||||
|
|
|
N |
n |
i 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
Статистический анализ полученных результатов |
|
|
|
|
|
|
|
|
|||||||||||||||||||
1) проверка значимос ти вс ех оценок коэффициентов модели |
|
||||||||||||||||||||||||||
|
|
|
|
|
T |
|
|
|
|
M (a1 |
0) |
|
|
|
|
|
|
|
|
|
|
|
|||||
Fnab |
|
a1 |
0 |
|
|
Fnab 758.153 |
F |
|
qF(1 q n 1 N n) 2.309 |
||||||||||||||||||
|
|
|
|
|
|
(n 1) SSv |
|
|
|
|
|
kr |
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
Fnab Fkr |
, |
то вс е коэффициенты значимы |
|
|
|
|
|
|
|
|
|
||||||||||||||||
2) проверка значимос ти каждой оценки |
|
|
|
|
|
|
|
|
|
||||||||||||||||||
j 0 n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
6.401 |
|
|
|
|
|
|
|
|
|
|
|
|
|
a1j 0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
tnab |
|
|
|
|
|
|
|
|
|
|
13.968 |
t |
|
|
qt |
1 |
q |
N n 1.985 |
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
tnab |
17.036 |
kr |
|
||||||||||||
j |
SSv |
|
|
Cj j |
|
|
2 |
|
|||||||||||||||||||
|
|
|
|
|
|||||||||||||||||||||||
|
|
|
|
|
|
|
|
34.237 |
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
9.722 |
|
|
|
|
|
|
|
|
|
3) интервальная оценка выходной переменной
( m1 m2) |
|
for j 0 N n |
|
||
|
|
||||
|
|
|
for i 0 n |
|
|
|
|
|
|
||
|
|
|
x0 i Xj i |
||
|
|
|
m1j Y10 |
j |
1.96 Sv |
|
|
|
m2j Y10 |
j |
1.96 Sv |
|
|
|
|||
|
|
( m1 m2) |
|
|
|
|
|
|
|
4) оценка работос пос обнос ти модели
x C xT
x C xT
Ys mean(Y) 43.275 |
SSy Var(Y) 1.847 103 |
Sy |
|
||||||
SSy |
42.974 |
||||||||
F1nab |
SSy |
19.395 |
F1 |
qF(1 q N 1 N n) 1.398 |
|
|
|||
|
|
|
|||||||
|
SSv |
|
|
kr |
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
F1nab |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
F1kr |
|
|
|
|
|
|
3. Стандартные функции регрессии Mathcad |
|
|
|
||||||
i 0 N 1 |
j 0 n 1 |
XM i j Xi j 1 |
|
|
|
||||
|
|
|
|
|
|
63 |
|
|
|
Матрица наблюдения Х без с вободного члена
aM regress (XM Y 1)
Матрица наблюдения Х с о с вободным членом
aM1 regress (X Y 1)
|
|
10 |
|
11.885 |
|||
|
|
2 |
|
|
|
2.02 |
|
|
|
|
|
|
|
||
|
|
|
|
||||
|
|
|
|
|
|
|
|
a |
|
3 |
|
a1 |
|
3.034 |
|
|
|
0.2 |
|
|
0.207 |
|
|
|
|
|
|
|
|
|
|
|
|
0.4 |
|
|
0.349 |
|
|
|
|
3 |
|
|
|
|
|
3 |
|
|
3 |
|
1 - с тепень |
||
|
||||||||
|
3 |
|
|
1 |
|
|
полинома |
|
|
|
|
||||||
|
|
|
|
|
|
|||
|
1 |
|
0 |
|
|
|||
|
|
|
|
|||||
|
2.02 |
|
|
a |
|
|||
aM1 |
2.02 |
1 |
||||||
aM |
|
|
||||||
|
|
|
|
a |
|
|||
|
3.034 |
|
2 |
|||||
|
|
|
3.034 |
|
||||
|
0.207 |
|
|
a |
|
|||
|
0.207 |
3 |
||||||
|
|
|
|
|||||
0.349 |
|
0.349 |
а |
4 |
||||
|
|
|
|
|
|
|
||
|
11.885 |
|
|
|
||||
|
11.885 |
a |
0 |
|||||
|
|
|
|
|
|
|
4. Графическое представление результатов |
|
|
|
|||||||||
u1max max(u1) 40.482 |
|
u2max max(u2) 9.9 |
|
|
||||||||
u1min floor(min(u1)) 20 |
|
u2min floor(min(u2)) 10 |
|
|||||||||
u1max u1min |
|
u2max u2min |
|
|||||||||
u1 ceil |
|
|
|
|
|
|
|
3 |
u2 ceil |
|
|
1 |
|
|
|
|
|
|
|
||||||
|
|
30 |
|
|
|
|
30 |
|
||||
u u1min u1min u1 u1max 1 |
ux u2min u2min u2 u2max 1 |
|||||||||||
|
|
|
|
1 |
|
|
|
|
|
|
||
|
|
|
|
u |
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|||
|
T |
|
ux |
|
|
|
|
|
|
|||
YP(u ux) a1 |
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
2 |
|
|
|
|
|
|||
|
|
|
|
u |
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
ux |
|
|
|
|
|
|
300 |
|
|
|
80 |
|
|
|
|
200 |
|
|
|
60 |
|
|
|
|
|
|
|
|
|
|
|
|
|
YP(u 3) |
|
|
|
YP(3 ux)40 |
|
|
|
|
100 |
|
|
|
20 |
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
0 |
5 |
|
|
|
20 |
0 |
20 |
40 |
10 |
0 |
5 |
10 |
|
|
|
u |
|
|
|
ux |
|
|
|
Рис . 3.1. Уравнение регрес с ии и поле регрес с ии |
|
|
5. РМНК |
|
|
i 0 N 1 |
j 0 n |
1015 - большое чис ло |
|
|
64 |
Si 0 |
|
- начальное значение |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||
I identity(n 1) |
|
|
|
|
- единичная матрица |
|
|
|
|
|
|
|
|
|
|
|
|
|
x XT |
|
|
|
||||||||||||||||||||||||||||||||||||||||
( b S ) |
|
C0 I |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
|
|
|
|
|
b |
0 |
( 0 |
0 |
|
0 |
0 |
|
0 )T |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
S0 0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
for |
|
|
K 1 N 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
K |
|
|
|
|
|
|
|
|
K |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
Z |
|
|
|
|
|
T |
C |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
1 |
|
x |
|
|
|
|
|
|
|
x |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
K 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
e |
Y |
|
|
b |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
K 1 |
T x K |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
K |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
C |
|
x K |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
bK bK 1 |
|
(K 1) |
|
|
|
|
|
|
|
e |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
Z |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
K |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
K |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
T |
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
C |
|
x |
|
|
|
|
|
x |
|
|
|
|
|
|
|
C |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
CK CK 1 |
|
K 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
K 1 |
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Z |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
S |
S |
|
|
|
|
|
e2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
K |
|
|
|
K 1 |
|
|
|
|
Z |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
( b |
|
|
S ) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
12.438 |
|
|
|
|
|
10 |
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2.06 |
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|||||||
|
|
|
|
S |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
Sv |
N |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
N 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
b |
|
|
|
|
|
|
|
|
3.047 |
|
a |
|
3 |
|
|
|
|
|
|
|
|||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
Sv |
9.391 |
|
|
|
|
|
N 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0.2 |
|
|
|
|
|
|
|||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0.208 |
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
i 1 N 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0.341 |
|
|
|
|
|
0.4 |
|
|
|
|
|
|
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
20 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
a0 |
10 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
a1 |
|
|
|
|
|
|
|
|
0 |
|
20 |
|
40 |
|
60 |
|
80 |
1 |
00 |
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
bi |
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
bi |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
0 |
20 |
|
40 |
60 |
80 |
|
1 |
00 |
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
10 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
3 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
i |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
i |
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
^ |
|
|
|
|
|
|
|
|
|
|
|
Рис . 3.2. Изменения оценок параметровb j (k ), k 1,2,...
65
Приложение 3
Тестовый пример регрессии в приложении cftool
clc;clear;close all; W=10; N=100;
x = random('Normal',W,W,1,N); V = normrnd(0,W,N,1);
a = [5 -2 -1];
Q = a(1)+a(2)*x+a(3)*power(x,2); Y = Q+V';
% plot(x,Y,'.g')
66
Приложение 4
Тестовый пример регрессии в пакете Statistics Toolbox
clc;clear;close all;
% Модель объекта%---------------------------------------------------
W = 10; N=100;
a=[10 -2 -3 0.2 0.4]; U1=normrnd(W,W,N,1);
U2=unifrnd(-W,W,N,1);%реализация входного воздействия
F=a(1)+a(2)*U1+a(3)*U2+a(4)*power(U1,2)+a(5)*power(U2,2);
n=4;
U3=power(U1,2);
U4=power(U2,2);
x=zeros(N,n); for i=1:N
j=1;
while j<=n x(i,j)=1; j=j+1; x(i,j)=U1(i); j=j+1; x(i,j)=U2(i); j=j+1; x(i,j)=U3(i); j=j+1; x(i,j)=U4(i); j=j+1;
end
end
%1.моделирование пассивного эксперимента:
V=normrnd(0,W,N,1);%помеха
Y=F+V;%результаты эксперимента (наблюдения выходной переменной) %3. Стандартная функция регрессии Matlab
[b,bint,r,rint,stats]=regress(Y,x);
disp('Оценка параметров b=');disp(b');disp('a=');disp(a);disp('в-инервал'); disp(bint');disp('stats');disp(stats);
stepwise(x,Y);
Оценка параметров b=
10.5391 -1.9022 -3.1870 0.1937 0.3786
a=
10.0000 -2.0000 -3.0000 0.2000 0.4000
в-инервал
6.8682 -2.1992 -3.5246 0.1841 0.3103
14.2100 -1.6052 -2.8494 0.2033 0.4470
stats
0.9728 848.5599 0.0000 94.7275
67
Продолжение прил. 4
68
Приложение 5
Тестовый пример нелинейной регрессии
clc;clear;close all; % Модель объекта
W=10; N=100;
a = [1 1 2 0.5]; x=1+W*rand(1,N); v=1+0.1*rand(1,N);
f=(a(1)+a(2)*x)./(a(3)*x+a(4)*power(x,2)); Y=f+v;
modelfun = @(b,x)(b(1)+b(2)*x)./(b(3)*x+b(4)*power(x,2)); b0 = [1 1 1 1];
b1 = nlinfit(x,Y,modelfun,b0)
b1 =
1.1551 2.2437 1.7962 0.0156
69
Приложение 6
Тестовый пример регрессии в графическом окне
clc;clear;close all; W=10; N=100;
x = random('Normal',W,W,1,N); V = normrnd(0,W,N,1);
a = [5 -2 -1];
Q = a(1)+a(2)*x+a(3)*power(x,2); Y = Q+V';
plot(x,Y,'.g')
70