Аппроксимация экспериментально полученных зависимостей

Переходные характеристики переключения. Алгебраический полином Лагранжа. Аппроксимация функций с помощью алгебраических интерполяционных полиномов. Метод наименьших квадратов Форсайта. Зависимость переходного обратного тока от времени после переключения.

Рубрика Программирование, компьютеры и кибернетика
Вид курсовая работа
Язык русский
Дата добавления 13.07.2012
Размер файла 948,7 K

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Московский Государственный Открытый Университет им. В.С. Черномырдина

Факультет Компьютерных и Информационных технологий

Курсовая работа по дисциплине «Информационные технологии в электронике»

Тема: Аппроксимация экспериментально полученных зависимостей

Выполнил:

Студент 4-го курса

Группа 4

Шифр 608243

Специальность 210105

Ребезов Алексей Сергеевич

Приняла:

Конева Наталья Ефимовна

Москва, 2012 г.

Московский Государственный Открытый Университет им. В.С. Черномырдина

Факультет Компьютерных и Информационных технологий

Задание на курсовую работу

Получить аналитическое описание графически заданных зависимостей в Задании №4 для кривых Д2 и Д12 методом Лагранжа, Ньютона, Форсайта и сравнить точности каждого из методов при решении данной задачи.

Выполнил:

Студент 4-го курса

Группа 4

Шифр 608243

Специальность 210105

Ребезов Алексей Сергеевич

Приняла:

Конева Наталья Ефимовна

Москва, 2012 г.

Содержание

  • Задание на курсовую работу
  • Содержание
  • Переходные характеристики переключения
  • Методы анализа
  • Алгебраический полином Лагранжа
  • Аппроксимация функций с помощью алгебраических интерполяционных полиномов
  • Интерполяционная формула Лагранжа
  • Интерполяционный полином Ньютона
  • Методы наименьших квадратов Форсайта
  • Анализ Кривых
  • Кривая Д2
  • Метод Лагранжа
  • Метод Ньютона
  • Метод наименьших квадратов Форсайта
  • Кривая Д12
  • Метод Лагранжа
  • Метод Ньютона
  • Метод наименьших квадратов Форсайта
  • Вычисление Погрешностей
  • Кривая Д2
  • Кривая Д12
  • Сводные графики
  • Вывод
  • Список использованной литературы
  • Переходные характеристики переключения
  • На рисунке представлена схема наиболее часто встречающейся схемы переключения диодов.
  • Рис.1 Схема переключения диода
  • В данной курсовой работе мы рассматриваем зависимость переходного обратного тока от времени после переключения для диодов Д2 и Д12.
  • Рис.2 Зависимость переходного обратного тока от времени после переключения

Методы анализа

Из приведённого выше рисунка для анализа берутся кривые Д2 и Д12. Анализироваться эти кривые будут тремя методами:

1. Алгебраических полиномов Лагранжа;

2. Интерполяционных полиномов Ньютона;

3. Наименьших квадратов Форсайта.

Алгебраический полином Лагранжа

Аппроксимация функций с помощью алгебраических интерполяционных полиномов

Данные, полученные при испытаниях сложных технических систем, для наглядности часто представляются графически, или в виде таблиц. Ввод сложных графиков, или таблиц большого объема в ЭВМ приводит к усложнению алгоритмов обработки. На практике предпочитают иметь дело не с графиком и таблицами, а с формулами. Если ошибки в экспериментальных данных можно не учитывать, то информацию, заданную графически или таблично, часто представляют с помощью интерполяционных формул. Простые и легко реализуемые на ЭВМ формулы дают алгебраические интерполяционные многочлены (алгебраические интерполяционные полиномы).

Задача аппроксимации функции с помощью алгебраического интерполяционного полинома формулируется следующим образом. Пусть аналитическое выражение функции Y=f(X) неизвестно, заданы только ее значения Y1,...,YN в точках X1,...XN некоторого отрезка a,b. Необходимо найти полином степени n

, , (2.1)

для которого выполняются условия:

, , (2.2)

Так как в точках Xj значения функции Yj и значения полинома Pn (Xj) должны совпадать между собой, то неизвестные коэффициенты полинома можно найти путем решения системы уравнений (2.2)

Когда n+1N, система (2.2) не имеет решений. Если среди узлов Xj нет совпадающих между собой точек, то система линейных алгебраических уравнений (2.2) может иметь единственное решение только при n+1=N, т.е. n=N-1, т.к. определителем этой системы является определитель Вандермонда, имеющий вид:

, (2.3)

Известно, что при различных Xj этот определитель отличен от нуля, т.е. система уравнений имеет решение.

По заданным N парам чисел (Xj,Yj) j=1,...N можно найти полином степени (N-1). Этот полином является единственным.

Интерполяционная формула Лагранжа

Одну из простейших формул интерполяции позволяет построить метод Лагранжа. По условию находим полином PN-1(X) степени (N-1), который в N точках совпадает с N значениями функции f(X). Если найти систему полиномов j(X), каждый из которых в точке Xj равен 1, а в остальных точках равен нулю, то интерполяционный полином можно представить в виде:

, (2.4)

Это следует из того, что

Последовательность функций j (X) такого типа называется фундаментальной системой полиномов.

По предположению полином j(X) в точках X, при j обращается в нуль. поэтому его можно представить в виде:

, (2.5)

где Cj-некоторая постоянная.

Учитывая, что j(Xj)=1, получим:

, (2.6)

Отсюда следует, что интерполяционный полином Лагранжа имеет вид

, (2.7)

Интерполяционный полином Ньютона

На практике для аппроксимации функций часто используется интерполяционный полином Ньютона. Этот полином вводится с помощью разделенных разностей различных порядков, найденных по значениям функции Y1,...,YN в точках X1,...,XN.

По определению разделенные разности 1-го порядка равны:

, (2.8)

Разности 2-го порядка определяются с помощью разностей 1-го порядка

, (2.9)

Пусть найдены разности (n-1)-го порядка. Тогда разности n-го порядка можно вычислить по формуле:

, (2.10)

Разделительные разности располагаются в специальной таблице, которая строится по следующей схеме:

x1 y1

f(x2,x1)

x2 y2 f(x3,x2,x1)

f(x3,x2) f(x4,x3,x2,x1)

x3 y3 f(x4,x3,x2) f(x5,x4,x3,x2,x1)

f(x4,x3) f(x5,x4,x3,x2)

x4 y4 f(x5,x4,x3) .

f(x5,x4) .

x5 y5 . .

. .

. . .

Каждое число этой таблицы равно частному от деления разностей двух смежных с ним чисел в столбце слева, на разность Xi, соответствующих тем Yi, которые лежат на диагоналях, проходящих через это число.

Разделенные разности n-го порядка можно представить в виде

, (2.11)

Отсюда следует, что разделенная разность является симметричной функцией относительно узлов Xj , т.е. не зависит от порядка расположения входящих в нее переменных Xj.

Методы наименьших квадратов Форсайта

Рассмотренные методы позволяют аппроксимировать функции, заданные экспериментальными данными, с помощью интерполяционных многочленов. На практике интерполяционные формулы применяются в тех случаях, когда ошибки в данных можно не учитывать и число N точек Xj является малым. При больших N эти формулы становятся громозкими, а также возникают трудности, связанные с неустойчивостью интерполяционного процесса отрезка a,b.

В реальных задачах ошибки в экспериментальных данных необходимо учитывать. Если зависимости между параметрами являются достаточно гладкими, то даже при больших N часто нет необходимости выбирать для аппроксимации полиномы, имеющие высокую степень n. В этом случае при аппроксимации функций можно использовать метод наименьших квадратов (МНК).

Предположим, что функция Y=f(X) задана на отрезке a,b экспериментальными значениями:

, , (2.12)

где

j - некоррелированные случайные величины, имеющие нулевое математическое ожидание и дисперсию 2 . При аппроксимации функции Y=f(X) алгебраическим полиномом (2.12) с помощью МНК, по экспериментальным данным необходимо оценить коэффициенты ak полинома таким образом, чтобы сумма квадратов была минимальной

, , (2.13)

Алгебраический полином (2.12) является частным случаем общей линейной модели

,

Оценивание коэффициентов общей линейной модели сводится к решению системы нормальных уравнений , которая для приближения (2.12) имеет вид:

(2.14)

(2.15)

(2.16)

где

- оценки коэффициентов .

Решение системы (2.14)существует если определитель n+1 0

Однако при практической реализации МНК на ЭВМ может оказаться, что определитель n+1 системы (2.14) даже при сравнительно малых n близок к нулю, что может привести к грубым ошибкам при решении задач.

Анализ Кривых

Кривая 3

Исходные данные кривой 3

X

Y(X)

0,25

85

0,5

6

0,75

1,7

1

1

1,25

0,8

1,5

0,6

1,75

0,5

2

0,45

2,25

0,4

2,5

0,32

2,75

0,25

3

0,2

3,25

0,18

Метод Лагранжа

XR(I)

YR(I)

0,25

85

0,5

20,86516

0,75

1,7

1

-0,5205469

1,25

0,8

1,5

1,157812

1,75

0,5

2

4,898437E-02

2,25

0,4

2,5

0,8917187

2,75

0,25

3

-1,495234

3,25

0,18

Метод Ньютона

ток переключение полином лагранж

XR(I)

YR(I)

0,25

84,99998

0,5

20,86513

0,75

1,699509

1

-0,5237885

1,25

0,7860794

1,5

1,113113

1,75

0,3810272

2

-0,22612

2,25

-0,1744671

2,5

-0,2150116

2,75

-1,747181

3

-4,914261

3,25

-5,417761

Метод наименьших квадратов Форсайта

M=1

X(I)

Y(I)

YR(I)

0,25

85

25,51571

0,5

6

22,51181

0,75

1,7

19,50791

1

1

16,50401

1,25

0,8

13,50011

1,5

0,6

10,49621

1,75

0,5

7,492308

2

0,45

4,488407

2,25

0,4

1,484507

2,5

0,32

-1,51939

2,75

0,25

-4,52329

3

0,2

-7,5272

3,25

0,18

-10,5311

Коэффициенты полинома:

C(0)=28,51961

C(1)=-12,0156

Остаточная дисперсия:

S2=444,9752

M=2

X(I)

Y(I)

YR(I)

0,25

85

46,46967

0,5

6

32,98879

0,75

1,7

21,41282

1

1

11,74175

1,25

0,8

3,975584

1,5

0,6

-1,88567

1,75

0,5

-5,84203

2

0,45

-7,89347

2,25

0,4

-8,04002

2,5

0,32

-6,28166

2,75

0,25

-2,61839

3

0,2

2,949781

3,25

0,18

10,42287

Коэффициенты полинома:

C(0)=61,85545

C(1)=-65,35294

C(2)=15,23924

Остаточная дисперсия:

S2=307,858

M=3

X(I)

Y(I)

YR(I)

0,25

85

64,07505

0,5

6

32,98878

0,75

1,7

11,80988

1

1

-1,06217

1,25

0,8

-7,22784

1,5

0,6

-8,28763

1,75

0,5

-5,84201

2

0,45

-1,4915

2,25

0,4

3,163412

2,5

0,32

6,522258

2,75

0,25

6,984578

3

0,2

2,979793

3,25

0,18

-7,1825

Коэффициенты полинома:

C(0)=106,6692

C(1)=-195,5261

C(2)=104,8666

C(3)=-17,07189

Остаточная дисперсия:

S2=179,2626

Кривая Д12

Исходные данные для кривой Д12

X

Y(X)

0,25

15

0,5

4,5

0,75

1,7

1

0,9

1,25

0,6

1,5

0,45

1,75

0,35

2

0,2

2,25

0,18

2,5

0,13

2,75

0,1

3

0,08

3,25

0,07

Метод Лагранжа

XR(I)

YR(I)

0,25

15

0,5

5,25042

0,75

1,7

1

0,7585059

1,25

0,6

1,5

0,5062012

1,75

0,35

2

0,2191309

2,25

0,18

2,5

0,1816699

2,75

0,1

3

-7,81E-02

3,25

0,07

Метод Ньютона

XR(I)

YR(I)

0,25

15

0,5

5,250422

0,75

1,699953

1

0,7581673

1,25

0,5985084

1,5

0,5013733

1,75

0,3371067

2

0,1891365

2,25

0,1172924

2,5

6,08E-02

2,75

-0,1184092

3

-4,52E-01

3,25

-0,5425286

Метод наименьших квадратов Форсайта

M=1

X(I)

Y(I)

YR(I)

0,25

15

5,870989

0,5

4,5

5,203516

0,75

1,7

4,536044

1

0,9

3,868571

1,25

0,6

3,201099

1,5

0,45

2,533626

1,75

0,35

1,866154

2

0,2

1,198681

2,25

0,18

0,5312089

2,5

0,13

-0,1362636

2,75

0,1

-0,8037361

3

0,08

-1,471209

3,25

0,07

-2,138681

Коэффициенты полинома:

С(0)=6,538461

С(1)=-2,66989

Остаточная дисперсия:

S2=11,2171

M=2

X(I)

Y(I)

YR(I)

0,25

15

9,818462

0,5

4,5

7,177253

0,75

1,7

4,894905

1

0,9

2,971418

1,25

0,6

1,406793

1,5

0,45

0,2010283

1,75

0,35

-0,6458751

2

0,2

-1,133917

2,25

0,18

-1,263097

2,5

0,13

-1,033418

2,75

0,1

-0,444876

3

0,08

0,502527

3,25

0,07

1,808791

Коэффициенты полинома:

C(0)=12,81853

C(1)=-12,718

C(2)=2,870889

Остаточная дисперсия:

S2=5,89331

M=3

X(I)

Y(I)

YR(I)

0,25

15

12,59789

0,5

4,5

7,177253

0,75

1,7

3,378856

1

0,9

0,9500201

1,25

0,6

-0,36193

1,5

0,45

-0,8096715

1,75

0,35

-0,6458765

2

0,2

-0,1232204

2,25

0,18

0,5056264

2,5

0,13

0,9879788

2,75

0,1

1,071175

3

0,08

0,5025241

3,25

0,07

-0,9706345

Коэффициенты полинома:

C(0)=19,89343

C(1)=-33,26889

C(2)=17,02068

C(3)=-2,695198

Остаточная дисперсия:

S2=2,490446

Вычисление Погрешностей

Абсолютная погрешность находится по формуле: ?абс=(Yрасч.-Yэталон.)

Относительная погрешность находится по формуле : (?абс/Yэталон.)*100%

Кривая Д2

X

Yэталон

Yлагр.

YНьютон

Yфорс. М=1

Yфорс. М=2

Yфорс. М=3

0,25

85

85

84,99998

25,51571

46,46967

64,07505

0,5

6

20,86516

20,86513

22,51181

32,98879

32,98878

0,75

1,7

1,7

1,699509

19,50791

21,41282

11,80988

1

1

-0,5205469

-0,5237885

16,50401

11,74175

-1,062166

1,25

0,8

0,8

0,7860794

13,50011

3,975584

-7,227843

1,5

0,6

1,157812

1,113113

10,49621

-1,885674

-8,287629

1,75

0,5

0,5

0,3810272

7,492308

-5,842025

-5,842013

2

0,45

4,898437E-02

-0,22612

4,488407

-7,893471

-1,491501

2,25

0,4

0,4

-0,1744671

1,484507

-8,040019

3,163412

2,5

0,32

0,8917187

-0,2150116

-1,519394

-6,281655

6,522258

2,75

0,25

0,25

-1,747181

-4,523294

-2,618385

6,984578

3

0,2

-1,495234

-4,914261

-7,527195

2,949781

2,979793

3,25

0,18

0,18

-5,417761

-10,5311

10,42287

-7,182497

X

Yэталон

?абс Лагр.

абс Ньютон

абс Форс. М=1

абс Форс. М=2

абс Форс. М=3

0,25

85

0,5

6

14,865160

14,865130

16,511810

26,988790

26,988780

0,75

1,7

1

1

1,520547

1,523789

15,504010

10,741750

2,062166

1,25

0,8

1,5

0,6

0,557812

0,513113

9,896210

2,485674

8,887629

1,75

0,5

2

0,45

0,401016

0,676120

4,038407

8,343471

1,941501

2,25

0,4

2,5

0,32

0,571719

0,535012

1,839394

6,601655

6,202258

2,75

0,25

3

0,2

1,695234

5,114261

7,727195

2,749781

2,779793

3,25

0,18

X

Yэталон

?отнс. Лагр.

?отнс. Ньютон

?отнс. Форс. М=1

?отнс. Форс. М=2

?отнс. Форс. М=3

0,25

85

0,5

6

247,752667

247,752167

275,196833

449,813167

449,813000

0,75

1,7

1

1

152,054690

152,378850

1550,401000

1074,175000

206,216600

1,25

0,8

1,5

0,6

92,968667

85,518833

1649,368333

414,279000

1481,271500

1,75

0,5

2

0,45

89,114584

150,248889

897,423778

1854,104667

431,444667

2,25

0,4

2,5

0,32

178,662094

167,191125

574,810625

2063,017188

1938,205625

2,75

0,25

3

0,2

847,617000

2557,130500

3863,597500

1374,890500

1389,896500

3,25

0,18

Кривая Д12

X

Yэталон

Yлагр.

YНьютон

Yфорс. М=1

Yфорс. М=2

Yфорс. М=3

0,25

15

15

15

5,870989

9,818462

12,59789

0,5

4,5

5,25042

5,250422

5,203516

7,177253

7,177253

0,75

1,7

1,7

1,699953

4,536044

4,894905

3,378856

1

0,9

0,7585059

0,7581673

3,868571

2,971418

0,9500201

1,25

0,6

0,6

0,5985084

3,201099

1,406793

-0,36193

1,5

0,45

0,5062012

0,5013733

2,533626

0,2010283

-0,8096715

1,75

0,35

0,35

0,3371067

1,866154

-0,6458751

-0,6458765

2

0,2

0,2191309

0,1891365

1,198681

-1,133917

-0,1232204

2,25

0,18

0,18

0,1172924

0,5312089

-1,263097

0,5056264

2,5

0,13

0,1816699

6,08E-02

-0,1362636

-1,033418

0,9879788

2,75

0,1

0,1

-0,1184092

-0,8037361

-0,444876

1,071175

3

0,08

-7,81E-02

-4,52E-01

-1,471209

0,502527

0,5025241

3,25

0,07

0,07

-0,5425286

-2,138681

1,808791

-0,9706345

X

Yэталон

абс Лагр.

абс Ньютон

абс Форс. М=1

абс Форс. М=2

абс Форс. М=3

0,25

15

0,5

4,5

0,750420

0,750422

0,703516

2,677253

2,677253

0,75

1,7

1

0,9

0,141494

0,141833

2,968571

2,071418

0,050020

1,25

0,6

1,5

0,45

0,056201

0,051373

2,083626

0,248972

1,259672

1,75

0,35

2

0,2

0,019131

0,010864

0,998681

1,333917

0,323220

2,25

0,18

2,5

0,13

0,051670

0,069185

0,266264

1,163418

0,857979

2,75

0,1

3

0,08

0,158057

0,532045

1,551209

0,422527

0,422524

3,25

0,07

X

Yэталон

отнс. Лагр.

отнс. Ньютон

отнс. Форс. М=1

отнс. Форс. М=2

отнс. Форс. М=3

0,25

15

0,5

4,5

16,676000

16,676044

15,633689

59,494511

59,494511

0,75

1,7

1

0,9

15,721567

15,759189

329,841222

230,157556

5,557789

1,25

0,6

1,5

0,45

12,489156

11,416289

463,028000

55,327044

279,927000

1,75

0,35

2

0,2

9,565450

5,431750

499,340500

666,958500

161,610200

2,25

0,18

2,5

0,13

39,746077

53,219338

204,818154

894,936923

659,983692

2,75

0,1

3

0,08

197,570788

665,056750

1939,011250

528,158750

528,155125

3,25

0,07

Сводные графики

Вывод

На основании проделанной работы, и сравнения полученных погрешностей, можно сделать вывод, что:

1. Для кривой Д2 наиболее точным методом аналитического описания графически заданных зависимостей является метод Лагранжа.

2. Для кривой Д12 наиболее точным методом аналитического описания графически заданных зависимостей является метод Лагранжа.

Список использованной литературы

1. Конева Н.Е. «Информационные технологии в электронике» Методические указания к курсовой работе. Издательство МГОУ. Москва 2009

2. Шафрин Ю.А. Информационные технологии. -М.: Лаборатория базовых знаний, 2000

Размещено на Allbest.ru


Подобные документы

  • Метод Гаусса и одно из его приложений в экономике (простейшая задача о рационе). Модель Леонтьева межотраслевого баланса. Алгебраический метод наименьших квадратов. Анализ данных эксперимента. Метод наименьших квадратов в Excel и аппроксимация данных.

    курсовая работа [598,7 K], добавлен 11.07.2015

  • Решения алгебраических уравнений методом выделения корней. Аппроксимация функций методом наименьших квадратов; дихотомия, бисекция. Одномерная оптимизация многоэкстремальных функций; метод золотого сечения. Многомерная оптимизация градиентным методом.

    курсовая работа [956,7 K], добавлен 04.03.2013

  • Построение эмпирических формул методом наименьших квадратов. Линеаризация экспоненциальной зависимости. Элементы теории корреляции. Расчет коэффициентов аппроксимации, детерминированности в Microsoft Excel. Построение графиков функций, линии тренда.

    курсовая работа [590,9 K], добавлен 10.04.2014

  • Построение эмпирических формул методом наименьших квадратов. Линеаризация экспоненциальной зависимости. Элементы теории корреляции. Расчет аппроксимаций в табличном процессоре Excel. Описание программы на языке Turbo Pascal; анализ результатов ее работы.

    курсовая работа [390,2 K], добавлен 02.01.2015

  • Метод наименьших квадратов. Возможные варианты расположения экспериментальных точек. Аппроксимация экспериментальных данных в программах Microsoft Excel, MathCAD и MatLAB. Вычисление средних значений и их сумм. Коэффициенты корреляции и детерминации.

    курсовая работа [890,9 K], добавлен 30.10.2012

  • Разработка алгоритма аппроксимации данных методом наименьших квадратов. Средства реализации, среда программирования Delphi. Физическая модель. Алгоритм решения. Графическое представление результатов. Коэффициенты полинома (обратный ход метода Гаусса).

    курсовая работа [473,6 K], добавлен 09.02.2015

  • Аппроксимация эмпирических данных линейной и квадратичной зависимостью. Теория корреляции: расчет коэффициентов детерминированности. Построение алгоритма и вычисление приближённых функций методом наименьших квадратов в среде программирования Turbo Pascal.

    курсовая работа [766,6 K], добавлен 26.12.2011

  • Определение зависимости между экспериментальными данными при помощи аппроксимации, особенности решения поставленной задачи различными способами, проведение расчетов с помощью табличного процессора Microsoft Excel и среды программирования Turbo Pascal 7.0.

    курсовая работа [765,0 K], добавлен 25.02.2012

  • Аппроксимация функции зависимости крутящего момента косозубого шестеренного пневмодвигателя К3М от числа оборотов вала в безразмерных величинах с помощью Microsoft Excel и PTC MathCad. Суть метода наименьших квадратов. Оценка точности аппроксимации.

    курсовая работа [1,2 M], добавлен 10.03.2012

  • Аппроксимация – процесс замены таблично заданной функции аналитическим выражением кривой. Алгоритм нахождения зависимости между заданными переменными. Условия сходимости итераций к решению системы уравнений. Методы Якоби и Гаусса. Тестирование программы.

    курсовая работа [1,4 M], добавлен 28.08.2012

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.