ORETERVER (675862), страница 6

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 6)

1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0

Рис. 11. Функциональная шкала y = x²

С помощью функциональных шкал графики многих функций могут быть преобразованы к прямолинейному виду.

Например, уравнение параболы y = x². Если на оси OY нанести равномерную шкалу, а на оси OX₁ шкалу квадратов х₁ = х², то получится сетка, где уравнение параболы имеет изображение прямой линии ( y = x₁ ),

проходящей через начало координат.

Особенно часто используются различные логарифмические функции, с помощью которых можно ²выпрямлять² графики степенных и показательных функций. Например, y = ae^bx; lg y = (b lg е) х + lg a. Полагая lg y = y₁, lg a = A, b lg e = B запишем исходное уравнение в виде y₁ = А + Вх, откуда видно, что оставив равномерной шкалу х и построив логарифмическую шкалу y₁, можно изобразить исходное уравнение прямой линией. Полученная координатная сетка называется полулогарифмической.

Очевидно, что такого рода преобразования возможны и в более общем случае. Всякая неявная функция, заданная соотношением вида

аj(х) + by(y) + с = 0,

где a, b, с - постоянные, будет изображаться прямой линией на функциональной сетке, где на оси ОХ построена шкала j(х), а на оси OY - шкала функции y(y). Естественно, что функции j(х) и y(y) должны удовлетворять условиям непрерывности и монотонности. В табл. 3 приведены преобразования для некоторых функций.

Таблица 3

Линеаризация некоторых функций

Из сказанного ясна роль функциональных сеток при обработке результатов эксперимента. Если результаты эксперимента располагаются вблизи кривой, то по имеющемуся ограниченному участку кривой трудно судить, какого типа функцией ее лучше всего приближать. Переведя полученные экспериментальные данные на функциональные сетки можно оценить на какой из них эти данные ближе всего подходят к прямой и, следовательно, какой функцией лучше всего описываются.

1. Аналитические методы обработки результатов

Графический метод обработки результатов обладает наглядностью, относительной простотой, однако его результаты содержат определенную субъективность и относительно низкую точность.

Аналитические методы лишены в какой - то степени указанных недостатков и позволяют получить результат для более широкого класса функций с большей точностью, чем графический метод.

Существуют различные аналитические методы получения параметров эмпирических кривых в зависимости от критерия, принятого при их получении. Рассмотрим некоторые из существующих способов.

1. Способ средней

Допустим, что имеется n сочетаний x_i, y_i, полученных при эксперименте. Даже в том случае, если между х и y теоретически установлена функциональная связь ( в данном случае предположим, что линейная ), то наблюдаемые значения y_i будут отличаться от ах_i + b вследствие наличия экспериментальных ошибок. Обозначим через D_i соответствующую ошибку

D_i = y_i - ax_i - b (i = 1, 2, ..., n)

Если выбирать параметры а и b так, чтобы для всех n наблюдений ошибки уравновешивались, т.е. , то это привело бы нас к одному уравнению, тогда как для нахождения двух коэффициентов (а, b) их требуется два. Поэтому предположим, что уравновешивание происходит не только для всех произведенных наблюдений в целом, но и для каждой группы, содержащей половину ( или почти половину ) всех наблюдений в отдельности.

В этом случае можно прийти к системе уравнений

,

где m - число наблюдений в первой группе.

Данную систему уравнений запишем теперь в виде

.

Изложенное показывает, что метод средних ²уравновешивает² положительные и отрицательные отклонения теоретической кривой от экспериментальных значений.

Пример.Используя данные рис. 10 определим коэффициенты а, b методом средней. Для этого семь измерений разделим на две группы m = 3 первых значений, n - m = 4 последующих

; ;

; .

Получаем систему

Решая систему находим

^;

b =

Таким образом способ средней дает прямую

y = 0,55х + 3,11.

В сравнении с графическим способом коэффициенты а совпадают и имеется различие в коэффициенте b.

3.3.2. Метод наименьших квадратов

В методе средних при определении коэффициентов уравнения использовалось условие равенства нулю алгебраической суммы отклонений результатов эксперимента от теоретической кривой ( в частном случае прямой ). Очевидно, что при этом D_i могут быть значительной величины. Имеет значение только ²уравновешивание² положительных и отрицательных отклонений.

Поставим теперь задачу нахождения по результатам наблюдений наиболее вероятные значения неизвестных коэффициентов.

Предположим, что искомая зависимость y = ¦(х) существует. Тогда параметры этой линии необходимо выбрать таким образом, чтобы точки y_i располагались по обе стороны кривой y = ¦(х) как можно ближе к последней. Предположим, что разброс точек y_i относительно y = ¦(х) подчиняется закону нормального распределения. Тогда мерой разброса является дисперсия s² или ее приближенное выражение - средний квадрат отклонений.

.

И требование минимального разброса будет удовлетворено, если минимизировать выражение ( Dy_i )². Как известно, необходимым условием того, что функция приобретает минимальное значение, является то, что ее первая производная ( или частные производные для функции многих переменных ) равна нулю. Применение метода наименьших квадратов имеет смысл, если число экспериментальных точек n больше числа определяемых коэффициентов.

Рассмотрим реализацию метода наименьших квадратов применительно к уравнению вида y = ax + b.

Для нахождения коэффициентов а, b искомой прямой необходимо минимизировать сумму квадратов расстояний Dy_i по ординате от точки (х_i; y_i) до прямой ( см. рис. 12 ). Расстояния Dy_i определятся

Dy_i = y_i - ax_i - b.

Рис. 12. К способу наименьших квадратов

Для минимизации приравниваем к нулю производные этой суммы по параметрам а, b:

;

.

Преобразуем эту систему

Получим систему нормальных уравнений метода наименьших квадратов.

Решая ее относительно а, b получаем:

; .

Вычисляя из n опытов необходимые суммы и производя указанные действия, получаем величину коэффициентов а, b.

Как видно, способ наименьших квадратов достаточно громоздок и при его применении широко используется вычислительная техника. Метод наименьших квадратов может использоваться и в случае нелинейных функций. Например, если определяются параметры квадратичной зависимости:

y = ах² + bx + с,

то

.

Дифференцируя это соотношение по а, b, с получаем систему нормальных уравнений:

Из этой системы можно определить параметры а, b, с.

При использовании метода наименьших квадратов при других нелинейностях, удобнее будет линеаризовать исходные зависимости.

В табл. 4 приведены системы нормальных уравнений для некоторых исходных уравнений.

Таблица 4

Системы нормальных уравнений

Примечания: 1. Величины х, y обозначают значения величин х_i, y_i в i-ом

Характеристики

Список файлов реферата