Модель «черного ящика»

Лабораторная работа № 3

Часто при анализе сложных систем как объекта исследования используется модель «черного ящика», которую предсталяют в виде представляют в виде прямоугольника с выходными и входными стрелками.

Рисунок 1. Модель «Черного ящика»

Входные стрелки соответствуют входным величинам (х), авыходные -выходным величинам (y). Последние характеризуют состояние объекта исследования. Первыми обозначается все, что оказывает влияние на выходные величины.

Предполагается, что внутренняя структура обьекта и сущность связей между входными и выходными величинами исследователю неизвестны, о них он судит по тому, какие значения принимают выходные величины при данных значениях входных.

Эксперимент - метод познания действительности в контролируемых и управляемых условиях. Экcпepимeнтaльнoe изyчeниe oбъeктoв имeeт pяд пpeимyщecтв: в пpoцecce экcпepимeнтa cтaнoвитcя вoзмoжным изyчeниe тoгo или инoгo явлeния в "чиcтoм видe"; экcпepимeнт пoзвoляeт иccлeдoвaть cвoйcтвa oбъeктoв дeйcтвитeльнocти в экcтpeмaльныx ycлoвияx; вaжнeйшим дocтoинcтвoм экcпepимeнтa являeтcя eгo пoвтopяeмocть.

Свойства предметов и явлений и их отношений можно описать в виде существующих математических законов и структур. Более точное математическое описание процессов и явлений приводит к появлению сложных систем интегральных, дифференциальных, трансцендентных уравнений и неравенств, которые не удается решить аналитическими методами в явном виде.Для решения таких задач приходится прибегать к вычислительным алгоритмам, использовать какие-либо бесконечные процессы, сходящиеся к конечному результату. Приближенное решение задачи получается при выполнении определенного числа шагов. Развитие ЭВМ стимулировало более интенсивное развитие вычислительных методов. Структуры «мира математического» успешно применяются для анализа «мира экспериментального», ибо первый является идеально-абстрактной, обобщенной и логически более совершенной картиной второго.

Поэтому умение обрабатывать результаты экспериментов с помощью математических методов и ЭВМ весьма актуально.

Метод наименьших квадратов

Пусть на вход некоторого устройства подается сигнал x, а на выходе измеряется сигнал y. Известно, что величины x и y связаны функциональной зависимостью, но какой именно – неизвестно. Требуется приближенно определить эту функциональную зависимость y = φ (x) по опытным данным. Пусть в результате n измерений получен ряд экспериментальных точек (x_i,y_i). Известно, что через n точек можно всегда провести кривую, аналитически выражаемую многочленом (n -1)-й степени. Этот многочлен называют интерполяционным. И вообще, замену функции φ (x) на функцию ψ (x) так, что их значения совпадают в заданных точках φ (x_i) = ψ (x_i), i = 1,2…,n называют интерполяцией.

Однако такое решение проблемы не является удовлетворительным, поскольку y_i ≠ φ (x_i) из-за случайных ошибок измерения и влияния на измерения значений y_i помех и шумов в устройстве. Так что y_i = φ (x_i)+ δ_i, где δ_i – некоторая случайная ошибка. Поэтому требуется провести кривую так, чтобы она в наименьшей степени зависела от случайных ошибок. Эта задача называется сглаживанием (аппроксимацией) экспериментальной зависимости и часто решается методом наименьших квадратов. Сглаживающую кривую называют аппроксимирующей.

Задача аппроксимации решается следующим образом. В декартовой прямоугольной системе координат наносят точки (x_i,y_i).. По расположению этих точек высказывается предположение о принадлежности искомой функции к определенному классу функций. Например, линейная функция φ (x)= α ₀ +α ₁ x, квадратичная φ (x)= α ₀ +α ₁ x+ α ₂ x ², и т.д. В общем случае φ (x)= φ (x, α ₀ ,α _1, α ₂ ,…, α _r). Неизвестные параметры функции α ₀ ,α ₁, α ₂ ,…, α _r определяются из требования минимума суммы квадратов случайных ошибок, т.е. минимума величины

δ = (1)

Величина δ называется также суммарной невязкой. Необходимым условием минимума функции нескольких переменных является обращение в нуль частных производных невязки:

, j = 0,1,…r (2)

Решая систему уравнений, находим неизвестные параметры α_j итем самым полностью определяем функцию, которая наилучшим образом (в смысле наименьших квадратов отклонений от исходных точек или наименьшей суммарной невязки) аппроксимирует (приближает) искомую функцию φ (x).

Остановимся подробнее на линейной зависимости φ (x)= α ₀ +α ₁ x.

Дифференцируя, получим следующую систему уравнений (3):

(3)

Из первого уравнения находим α₀ = М _y –α₁M x, где

(4)

(5)

Подставляя выражение для α₀во второе уравнение, найдем

(6)

где , (7)

(8)

Таким образом,

(9)

есть искомая линейная функция.

Ввиду простоты расчетов аппроксимация линейной зависимости используется довольно часто. Кроме того, многие функции, зависящие от двух параметров, можно линеаризовать путем замены переменных.

Для этого необходимо подобрать такое преобразование исходной зависимости y (x)= φ (x, α _0,α₁), в результате которого она приобретает линейный вид y = b ₀ +b ₁ u. Далее решается задача линейной аппроксимации для новой зависимости и вычисленные коэффициенты b ₀ и b ₁ пересчитываются в коэффициенты α ₀ и α₁.

Варианты индивидуальных заданий

В результате эксперимента была определена некоторая табличная зависимость. С помощью метода наименьших квадратов подберите функциональную зависимость заданного вида. Определите суммарную ошибку.

Вариант №1. P(s)=As³+Bs²+D

s	0.5		1.5		2.5		3.5		4.5
P		10.1	11.58	17.4	30.68	53.6	87.78	136.9	202.5

Вариант № 2. G(s)=As²-В

s 0.5 1.5 2.5 3.5 4.5

G 3.99 5.65 6.41 6.71 7.215 7.611 7.83 8.19 8.3

Вариант № 3. K(s)=As²/Bs+D

s 0.1 0.5 1.5 2.5 3.5 3.5

K 2.31 2.899 3.534 4.412 5.578 6.92 8.699 10.69 13.39

Вариант № 4. V(s)=As³*Bs+D

s 0.2 0.7 1.2 1.7 2.2 2.7 3.2

V 2.3198 2.8569 3.5999 4.4357 5.5781 6.9459 8.6621

Вариант № 5. W(s)=A/(Bs+C)

s

W 0.529 0.298 0.267 0.171 0.156 0.124 0.1 0.078 0.075

Вариант № 6. Q(s)=As²+Bs+C

s 1.25 1.5 1.75 2.25 2.5 2.75

Q 5.21 4.196 3.759 3.672 4.592 4.621 5.758 7.173 9.269

Вариант № 7. Y=x/(Ax-B)

x 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9

Y 0.61 0.6 0.592 0.58 0.585 0.583 0.582 0.57 0.572 0.571

Вариант № 8. V=1/(A+BU²)

u 2.5 3.5 4.5 5.5

V 5.197 7.78 11.14 15.09 19.24 23.11 26.25 28.6 30.3

Вариант № 9. R=At²+14.5

t

R 2.11 5.2 11.15 19.27 26.2 30.37 32.0 33.0 33.22 33.2

Вариант № 10. Z=At⁴+Bt³+Ct²+Dt+K

t 0.66 0.9 1.17 1.47 1.7 1.74 2.08 2.63 3.12

Z 38.9 68.8 64.4 66.5 64.95 59.36 82.6 90.63 113.5

Вариант № 11. R=Ch²+Dh+K

h

R 0.035 0.09 0.147 0.2 0.24 0.28 0.31 0.34

Вариант №12. G=DL+K

L 0.5 1.5 2.5 3.5

G 2.39 2.81 3.25 3.75 4.11 4.45 4.85 5.25

Вариант № 13. Y=Ax³+Bx²+Cx+D

x 1.2 1.4 1.6 1.8 2.2 2.4 2.6 2.8

Y 1.5 2.7 3.9 5.5 7.1 9.1 11.1 12.9 15.5 17.9

Вариант № 14. Y=Ax³+Cx+D

x 0.4 0.8 1.2 1.6

Y 1.2 2.2 3.0 6.0 7.7 13.6

Вариант № 15. R=Ch²+K

h 0.29 0.57 0.86 0.14 1.43 1.71 1.82

R 3.33 6.67 7.5 13.33 16.67 23.33 27.8 33.35

Вариант № 16. Z=At⁴+Ct²+K

t 1.14 1.29 1.43 1.57 1.71 1.86 1.92

Z 6.2 7.2 9.6 12.5 17.1 22.2 28.3 35.3 36.5

Вариант № 17. Z=At⁴+Bt³+Dt+K

t 2.13 2.25 2.38 2.5 2.63 2.75 2.88

Z 12.57 16.43 22.86 26.71 31.86 37.0 43.43 49.86

Вариант № 18. Z=At⁴+Bt³+Ct²+K

t 3.13 3.25 3.38 3.5 3.63 3.75 3.88

Z 57.14 64.0 74.29 81.14 91.43 105.14 115.43 129.14 142.86

Вариант № 19. Z=At⁴+Dt+K

t 0.88 0.9 0.91 0.93 0.94 0.96 0.97 0.99

Z 0.029 0.086 0.17 0.31 0.43 0.57 0.71 0.86 0.97

Вариант № 20. Y=Ax³+D

x 0.2 0.4 0.6 0.8 1.2 1.4 1.6 1.8

Y 0.072 0.073 0.075 0.096 0.12 0.16 0.24 0.35 0.42 0.47

Вариант № 21. R=At³+Ct²

t

R 2.11 5.2 11.15 19.27 26.2 30.37 32.0 33.0 33.22 33.2

Вариант № 22. W(s)=1/(Bs-C)

s 2.38 2.75 3.13 3.5 3.88 4.25 4.63

W 3.5 2.29 2.29 1.99 1.71 1.5 1.35 1.21 1.14

Вариант № 23. V(s)=As³/Bs²

s 2.5 7.5 12.5 17.5

V 1.11 1.57 2.26 2.84 3.25 3.75 4.05 4.45 4.75

Вариант № 24. Y=x/(Ax+B)

x 1.5 2.5 3.5 4.5

Y 0.2140 0.2210 0.2237 0.2258 0.2262 0.2268 0.2275 0.2283 0.2288

Вариант № 25. V(s)=As³+B/s²-D

s 8.5 9.5 10.5 11.5

V 25.75 27.25 29.5 31.0 32.5 34.0 35.5 37.75 39.25

Понравилась статья? Добавь ее в закладку (CTRL+D) и не забудь поделиться с друзьями:

Средства ЛФК. Классификация физических упражнений в ЛФК и их характеристика

Пара сил. Момент пары сил. Теоремы о парах

Правила хранения, приготовления и использования дезинфицирующих средств

Правила транспортировки биологического материала в лабораторию

Расчёт pH в растворах кислот и оснований. Расчёт концентраций кислот и оснований по pH

Действия сотрудников ОВД при ОБНАРУЖЕНИИ взрывоопасных предметов и взрывных устройств

Самый сильный аргумент, почему эволюция человека не могла быть

s	0.1	0.5		1.5		2.5	3.5	3.5
K	2.31	2.899	3.534	4.412	5.578	6.92	8.699	10.69	13.39

s	0.2	0.7	1.2	1.7	2.2	2.7	3.2
V	2.3198	2.8569	3.5999	4.4357	5.5781	6.9459	8.6621

s		1.25	1.5	1.75		2.25	2.5	2.75
Q	5.21	4.196	3.759	3.672	4.592	4.621	5.758	7.173	9.269

x		3.1	3.2	3.3	3.4	3.5	3.6	3.7	3.8	3.9
Y	0.61	0.6	0.592	0.58	0.585	0.583	0.582	0.57	0.572	0.571

t	0.66	0.9	1.17	1.47	1.7	1.74	2.08	2.63	3.12
Z	38.9	68.8	64.4	66.5	64.95	59.36	82.6	90.63	113.5

x	1.2	1.4	1.6	1.8		2.2	2.4	2.6	2.8
Y	1.5	2.7	3.9	5.5	7.1	9.1	11.1	12.9	15.5	17.9

h	0.29	0.57	0.86	0.14	1.43	1.71	1.82
R	3.33	6.67	7.5	13.33	16.67	23.33	27.8	33.35

t		1.14	1.29	1.43	1.57	1.71	1.86	1.92
Z	6.2	7.2	9.6	12.5	17.1	22.2	28.3	35.3	36.5

t		2.13	2.25	2.38	2.5	2.63	2.75	2.88
Z	12.57	16.43		22.86	26.71	31.86	37.0	43.43	49.86

t		3.13	3.25	3.38	3.5	3.63	3.75	3.88
Z	57.14	64.0	74.29	81.14	91.43	105.14	115.43	129.14	142.86

t	0.88	0.9	0.91	0.93	0.94	0.96	0.97	0.99
Z	0.029	0.086	0.17	0.31	0.43	0.57	0.71	0.86	0.97

x		0.2	0.4	0.6	0.8		1.2	1.4	1.6	1.8
Y	0.072	0.073	0.075	0.096	0.12	0.16	0.24	0.35	0.42	0.47

x		1.5		2.5		3.5		4.5
Y	0.2140	0.2210	0.2237	0.2258	0.2262	0.2268	0.2275	0.2283	0.2288