Файл: Химмельблау Д. Анализ процессов статистическими методами.pdf
ВУЗ: Не указан
Категория: Не указан
Дисциплина: Не указана
Добавлен: 09.04.2024
Просмотров: 750
Скачиваний: 2
Нелинейные |
модели |
407 |
Тогда
А< 0 ) = ( X r w X )(0) .
2"" ( ж ) 0 |
( ж ) о |
" |
a £ ) 0 ( o ß | ) 0 |
|
|
i=l |
|
п |
|
|
|
\ ößi to |
Vdßm ) { |
•• 2 |
(^)о(жг) |
Ц=1 |
|
|
|
i=l
Z<°) = (Xr wE)( 0 > =
и уравнения (6.2.14) в матричной записи будут иметь вид
(XrwX)<°> В<°» = (Хт\ѵЕ)<°>, |
(6.2.15) |
или |
|
А<0>В<°> == Z'°\ |
|
так что |
|
|
|
|
В ( 0 , |
= |
oo>Z<°), |
(6.2.16) |
где С( 0 ) == ( А ( 0 ) ) _ 1 . |
Отметим |
тесную связь между |
выкладками, |
|||
проведенными |
здесь и |
в разд. 5.1. |
|
|||
После того |
как |
по |
формуле |
(6.2.16) вычислен |
вектор В< 0 > , |
можно получить новые оценки для каждого из параметров ß^-,
повторяя |
предыдущие |
вычисления, причем |
вместо &(°> в выраже |
|
ние (6.2.16) |
и в матричные элементы Xtj |
подставляются bf\ |
||
улучшенные |
оценки ßy-. Для вычисления Uf |
используется рекур |
||
рентная |
формула |
bJn+1> = b5n) + Äjn>AbSn), |
|
|
где hj—«ускоряющий |
(6.2.17) |
|||
множитель», т. е. множитель, введенный |
исследователем для ускорения поиска минимума ф. Действитель но, значения А ^ о п р е д е л я ю т направление поиска минимума ф в пространстве параметров, a hj задает размер шага. В методе Гаусса — Зайделя полагают hj == 1. Множитель hj, который используется с большой эффективностью, можно подсчитать следующими способами:
1. Выбирают длину каждого шага вдоль вектора В пропор циональной наклону аппроксимирующей плоскости для целевой функции ф.
Нелинейные |
модели |
409 |
показано, что может случиться при плохом выборе |
начального |
|
вектора Ь ( 0 ) . Одно из предложений, |
позволяющих сделать разум |
ные начальные предположения о ß^, состоит в том, чтобы предста вить отклик в виде функции одной переменной, полагая другие переменные фиксированными, и взять некоторое асимптотическое значение или другое выделенное значение в качестве Щ\ Началь ные значения других параметров тогда можно выбрать на основе
этих |
полученных значений. |
Приближенные |
значения параме |
тров |
ß;- часто бывают известны |
из предыдущих |
расчетов или опре |
деляются из физических соображений. В конце концов можно просто испытать несколько исходных векторов Ь( 0 ) из некоторого
разумного |
интервала и убедиться, приводят ли |
они к одному |
|||
и тому же |
значению минимума |
ф~. Другие методы получения |
|||
начальных |
оценок параметров |
описаны |
в работе [8]. |
||
2. Целевая функция или |
ее |
первые |
частные |
производные |
в области поиска минимума ф могут стать неограниченными. Осо бенно критичными в этом отношении являются модели с поли номами в знаменателе, например модель
ßo -г ßl^l
?>2xl+?>Sx2 '
в которой как функция и, так и ее частная производная по ß 2
|
|
ді) = |
(ßo+ßi^i)^ |
|
|
|
|
Oß2 |
( ß 2 ^ + ß 3 X 2 ) 2 |
|
|
обращаются в |
бесконечность |
при Ь^хі |
= —b™x2 . Преодолеть |
||
эту трудность можно, |
лишь ограничивая |
область поиска |
для ßj |
||
и (или) уделяя |
особое |
внимание построению модели процесса. |
|||
3. Матрица А( 0 > может стать вырожденной из-за избыточности |
|||||
данных или почти вырожденной при одном или нескольких |
значе |
||||
ниях ß в процессе поиска. Эта трудность преодолевается |
путем |
сбора данных в соответствии с правильным планом |
эксперимента. |
4. Метод итераций на некоторой стадии может |
привести не |
к уменьшению, а к увеличению ф. Такой случай иллюстрируется на фиг. 6.2.5. Эта ситуация исправляется с помощью подходящей логической операции, вводимой в вычислительную машину, такой, как проверка на каждом цикле неравенства фіП+1) < фт, и, если оно нарушено, уменьшение множителя hj в заданное число раз.
Теперь рассмотрим пример использования метода Гаусса — Зайделя. Для него характерна медленная сходимость, если началь ные оценки параметров сильно отличаются от окончательных оценок, однако вблизи точки остановки этот метод сходится быстро (в отличие от метода наискорейшего спуска, описанного в следую щем разделе, который сходится очень медленно).
410 |
Глава 6 |
Пример 6.2.4. Применение метода Гаусса — Зайделя Для ознакомления с оцениванием по методу Гаусса — Зайделя
используем имитированные |
данные. |
Эти |
данные, приведенные |
||
|
|
|
Таблица |
П.6.2.4а |
|
|
Имитированные |
д а н н ы е |
|
||
|
|
V |
|
|
У |
|
|
|
(имитированное |
||
|
|
(точное значение) |
значение) |
||
0,0 |
0,0 |
3,0 |
|
|
2,93 |
0,0 |
1,0 |
' 1,82 |
|
|
1,95 |
0,0 |
2,0 |
1,10 |
|
|
0,81 |
0,0 |
3,0 |
0,67 |
|
|
0,58 |
1,0 |
0,0 |
6,00 |
|
|
5,90 |
1,0 |
1,0 |
4,82 |
|
|
4,74 |
1,0 |
2,0 |
4,10 |
|
|
4,18 |
1,0 |
2,0 |
4.10 |
|
|
4,05 |
2,0 |
0,0 |
9,00 |
|
|
9,03 |
2,0 |
1,0 |
7,82 |
|
|
7,85 |
2,0 |
2,0 |
7,10 |
|
|
7,22 |
2,5 |
2,0 |
8,60 |
|
|
8,50 |
2,9 |
1,8 |
9,92 |
|
|
9,81 |
в |
табл. П.6.2.4а, были получены путем |
прибавления к |
функции |
|||
л |
= Зжі + З е _ 1 / г ж 2 |
случайных |
ошибок |
со средним |
значением, |
|
равным нулю, и |
с дисперсией 0,01. |
|
|
|
||
|
Теперь забудем |
о том, как |
были подготовлены |
эти |
данные, |
и просто воспользуемся ими, чтобы оценить параметры известной
(или |
предполагаемой) модели |
|
|
|
|
|||
|
|
|
т) |
= ß i S i |
+ ß 2 e p 3 X 2 , |
(а) |
||
минимизируя функцию |
|
|
|
|
|
|||
|
|
|
Ф= S C F i - ß i X i - ß a e B ^ . |
(б) |
||||
|
|
|
і=1 |
|
|
|
оценки Ь \ Й \ |
|
Прежде |
всего |
необходимо |
выбрать |
начальные |
||||
Ь { 2 Т |
и fr(3°\ |
Можно |
было |
бы, |
например, |
положить |
|
|
|
|
|
Ь(о) |
= 6<О> = |
ь<о) = ! |
|
|
|
или |
|
|
|
|
|
|
|
|
Вместо этого для иллюстрации получим эти оценки вблизи истин ного минимума с помощью некоторого предварительного графиче ского построения. Из выражения (а) следует, что если переменную
х2 поддерживать постоянной, можно |
получить |
прямую линию, |
угловой коэффициент которой {дг\Ідхі)Х2 |
равен ß 4 |
. На фиг. П.6.2.4а |
представлены графики зависимости Y |
от х^ для ряда различных |