|
Курсовая работа: Градиентный метод первого порядка4. Введём фиктивный столбец U0 в матрицу и запишем матрицу в безразмерной форме (Табл.1.2): Таблица 1.2
5. Приведём полную матрицу планирования (Табл. 1.3.): Таблица 1.3
Предложенный план эксперимента обладает следующими свойствами: Свойство симметричности. ; Свойство нормировки. ; Свойство ортогональности. , ( lj , l,i = 1…k ); Следует отметить, что ортогональные планы полный факторный эксперимент ( для линейных моделей ) обладают также рототабельностью. Последнее предполагает равенство и минимальность дисперсий предсказанных значений выходной переменной для всех точек факторного пространства. По закону накопления ошибок для дисперсии предсказанных уравнением регрессии значений выходной переменной можно записать: s2y= s2b0 + s2b1U12 + … + s2bnUn2
Дисперсии коэффициентов регрессии равны между собою, поэтому s2y = s2bi
С учетом того, что , Где - радиус сферы имеем s2y = s2 bi. Отсюда ясно, что дисперсия предсказанного значения выходной переменной зависит только от радиуса сферы. Это свойство рототабельности эквивалентно независимости дисперсии выходной переменной от вращения координат в центре плана и оправдано при поиске оптимума градиентными методами. Интуитивно понятно, что исследователю удобно иметь дело с такой информацией, содержащейся в уравнении регрессии, которая равномерно «размазана» по сфере радиусом . Действительно такое положение можно признать разумным, ибо с помощью уравнения регрессии будут предприниматься попытки предсказать положение ещё неизвестных участков факторного пространства. Равноценность этих участков в смысле ошибки предсказания, по-видимому, является необходимой. Свойство ортогональности существенно облегчает процесс вычисления коэффициентов, так как корреляционная матрица (UТU)-1 становится диагональной, и коэффициенты будут равны 1/N; 6. С учетом свойства ортогональности можно вычислить вектор В коэффициентов регрессии: Следовательно, любой коэффициент уравнения регрессии bj определяется скалярным произведением столбца Y на соответствующий столбец Uj, деленным на число опытов N в матрице планирования: Вычислим коэффициенты регрессии линейного уравнения : Если в рассмотрение ввести более полное уравнение регрессии с коэффициентами взаимодействия Р, то используя процедуру метода наименьших квадратов , получим: . Пользуясь планом, представленным в табл. 1.2, можно перечислить коэффициенты регрессии и записать в табл.1.4: Y = Р0 + Р1U1 + Р2U2 + … + РnUn + … + +…+ P13U1U3 + P23U2U3 + … + P123U1U2U3… Таблица 1.4
|
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Рефераты бесплатно, реферат бесплатно, курсовые работы, реферат, доклады, рефераты, рефераты скачать, рефераты на тему, сочинения, курсовые, дипломы, научные работы и многое другое. |
||
При использовании материалов - ссылка на сайт обязательна. |