- •Общая теория измерений
- •1.1. Формально-логические принципы создания образов реального мира 6
- •1.2. Физические шкалы и неоднозначность образов действительности 20
- •Введение
- •1. Алгоритмизация процесса познания
- •1.1. Формально-логические принципы создания образов реального мира
- •1.1.1. Формы познания
- •1.1.2. Объекты познания и их образы
- •1.1.3. Формализм познания
- •1.1.4. Основные соотношения характеристик
- •1.1.5. Основные и производные величины.
- •1.1.6. Проблема измеримости и неизмеримости величин. Виды шкал
- •1.1.7. Шкалы цвета
- •Для того чтобы охарактеризовать цвет, достаточно знать компоненты вектора, соответствующие условию (1.15).
- •1.1.8. Шкала замутненности воды
- •1.1.9. Проблема расширения метрической системы
- •1.2. Физические шкалы и неоднозначность образов действительности
- •1.2.1. Неоднозначность отображения
- •1.2.2. Правила выбора элементов
- •1.2.3. Критерии соответствия отображений
- •1.2.4. Неопределенность обратного отображения
- •1.2.5. Способы характеризации неопределенности. Отклонение элементов множества
- •1.2.6. Меры множеств
- •1.2.7. Виды отклонений. Общий случай
- •1.2.8. Интервальные меры
- •1.2.9. Энтропия
- •Контрольные вопросы к разделу 1
- •2. Эталоны и их воспроизведение
- •2.1. Установление эталонов единиц измерения
- •2.2. Воспроизведение эталонов
- •2.2.1. Понятие эталонов и их свойства
- •2.2.2. Одноразовое сравнение
- •2.2.5. Вторичный элемент, имеющий m-кратную меру1
- •2.2.6. Вторичный эталон, имеющий 1/m-кратную меру
- •2.2.7. Схема иерархии эталонов
- •2.3. Образцы материалов
- •2.3.1. Подобие характеристик
- •2.3.2. Виды образцов материалов. Качественная категория
- •2.3.3. Количественная характеристика материала. Мера образцов
- •2.3.4. Образцовые газы
- •2.3.5. Образец электролита
- •2.3.6. Определение меры образца на основании пробы.
- •Контрольные вопросы к разделу 2
- •3. Моделирование измерительных систем
- •3.1. Общие принципы моделирования
- •3.2. Моделирование характеристик ис
- •3.2.1. Статическая модель
- •3.2.2. Динамические модели
- •3.2.3. Модели ис с дискретным временем
- •3.3. Моделирование источников погрешностей. Вероятностные модели
- •3.3.1. Нелинейные элементы
- •3.3.2. Нестационарные источники погрешностей
- •3.4. Обобщенная модель погрешностей
- •3.4.1. Модель с непрерывным временем
- •3.4.2. Модель с дискретным временем
- •3.5. Идентификация модели измерительной системы
- •3.5.1. Определение независимых переменных модели
- •3.5.2. Корреляционный анализ
- •3.5.3. Регрессионный анализ
- •3.5.4. Метод наименьших квадратов
- •3.5.5. Другие методы
- •Контрольные вопросы к разделу 3
- •Библиографический список
- •Общая теория измерений
- •620002, Екатеринбург, ул. Мира, 19
- •620002, Екатеринбург, ул. Мира, 19
3.5.4. Метод наименьших квадратов
Метод наименьших квадратов (МНК) был сформулирован Лежандром и Гауссом раньше, чем метод регрессии. Он применяется как независимый метод аппроксимации результатов экспериментальных исследований для произвольно принятой модели. В частности, модель можно искать методом проб. Наилучшей признается та модель, для которой сумма квадратов погрешностей наименьшая. Для этого используются, в частности, такие итерационные процедуры, которые позволяют не изменять вычисленные ранее коэффициенты при смене модели. Чаще всего модели строят, используя многочлены и ортогональные ряды: полиномы Лежандра, Чебышева, функции Лагерра, Чебышева, Эрмита, Уэлша, Хаара.
Так, например, для результатов измерения скорости обезуглероживания в функции времени отыскивалась возможность аппроксимации их многочленом Грама в виде
(3.133)
Здесь п — нормированные значения независимой переменной для равноудаленных точек -п, -п+1, ..., 0, 1, ..., n; s— текущая переменная, s = [(x — х0)/d] — п; х0 — начальная точка независимой переменной; d=const — шаг пробных измерений; j — степень многочлена. Моделью служит многочлен
(3.134)
Результатом идентификации и подгонки является следующий ряд моделей с погрешностями М:
Погрешность вычислялась по формуле
(3.135)
Наилучшее приближение дает многочлен четвертой степени. Идея МНК изложена в предыдущем разделе.
МНК и МВНК, как и другие статистические методы, не позволяют вскрыть систематические погрешности. Если погрешности имеют нормальное распределение, то, исследуя сумму квадратов М (3.135), можно выявить, выполняются ли принятые допущения.
3.5.5. Другие методы
Применение вычислительных машин для расчетов стимулировало разработку множества методов идентификации. Их общий принцип обычно состоит в определении таких значений коэффициентов, которые удовлетворяют критерию оптимальности.
Рис.
3.22. Результаты исследований модели
системы для измерения содержания
углерода.
—
параметры
модели
(3.123)
Так, например, для погрешностей можно сформулировать следующие требования:
(3.136)
а также
(3.137)
Погрешность ε определяется как в МНК, а именно:
= y-f(x), (3.138)
где х, у — реализации, j = 1, ..., N.
Функцию f и коэффициенты можно подбирать произвольно, а построенная модель будет наилучшей в смысле критерия (3.137) среди исследованных моделей. Критерий (3.137) труден для аналитических расчетов, зато относительно прост для расчетов на ЭВМ. В примере ИС для измерения скорости обезуглероживания исследована линейная модель (3.123) при использовании критерия (3.137). Результаты исследований представлены на рис. 3.22. В принципе для определения значений коэффициентов при идентификации модели используют метод пробных измерений, отыскания области Монте-Карло, меток планирования эксперимента либо поиска оптимума. Достоинством этих методов является возможность применения стандартных машинных программ. К наиболее известным относится метод стохастической аппроксимации, в котором минимизируется математическое ожидание квадрата погрешностей:
(3.139)
Достоинствами этого метода являются рекуррентная форма алгоритма и малый объем вычислений.
