数学模型关于一个现实对象为了一个特定的目的依照.docx
- 文档编号:29216738
- 上传时间:2023-07-21
- 格式:DOCX
- 页数:14
- 大小:57.13KB
数学模型关于一个现实对象为了一个特定的目的依照.docx
《数学模型关于一个现实对象为了一个特定的目的依照.docx》由会员分享,可在线阅读,更多相关《数学模型关于一个现实对象为了一个特定的目的依照.docx(14页珍藏版)》请在冰豆网上搜索。
数学模型关于一个现实对象为了一个特定的目的依照
1.数学模型:
关于一个现实对象,为了一个特定的目的,依照其内在规律,作出必要的简化假设,运用适当的数学工具,取得的一个数学结构。
2.选煤数学模型:
是将选煤实际应用问题转化为数学问题的形式,并利用运算机求解,给出其近似最优的解法,然后对结果加以分析、查验、讨论和推行
3.物理模型要紧指科技工作者依照与原型相似的原理构造的模型。
思维模型指人们通过对原型的反复熟悉,取得的知识以体会的形式直接贮存于大脑中,并依照思维或直觉做出相应的决策。
4.数学模型的分类:
依照来源分类:
a.理论模型:
依如实体的物理和化学性质,通过度析推导出来的模型b.体会模型:
指不考虑实际内部的转变,只着重于外部的关系,把搜集到的输入和输出观测值,用数理统计的方式,导出输入、输出变量之间的关系,成立数学模型c.综合模型:
模型结构来自理论分析,但其中的某些参数未确信,需要搜集现场生产数据或通过实验用数学方式来确信
依照模型中变量和时刻的关系分类:
a.稳态模型:
单纯反映生产进程变量之间的因果关系,不考虑时刻阻碍。
b.动态模型:
生产进程中各变量的状态是随时刻而转变的,现在各输入输出量之间的数学关系能够用微分方程或积分方程进行描述。
依照模型中变量的的性质分类:
a.确信性模型:
自变量与因变量自身之间的关系都是确信的。
b.随机模型。
全数或部份变量是随机变量,变量之间的关系不是确信性的函数关系,而是随机转变的相关关系。
依照模型的大体关系:
分线性模型和非线性模型
依照变量的持续性,分成离散模型和持续模型。
5.成立数学模型方式:
机理分析方式:
依照对客观事物特性的熟悉,找出反映内部机理的数量规律
测试分析:
将对象看做“黑箱”通过对测量数据的统计分析,找出与数据拟合最好的模型
二者结合:
用机理分析成立模型结构,用测试分析确信模型参数
6.数学建模一样步骤:
模型预备:
了解实际背景,明确目的,搜集信息;
模型假设:
针对问题特点和目的,作出合理的、简化的假设;
模型组成:
用数学的语言、符号描述问题;
模型求解;
模型分析:
误差分析、统计分析等;
模型查验:
查验模型的合理性、适用性;
模型应用
7.体会模型的成立:
实验数据的整理:
在建模前需要进行检查和取舍;
模型形式的确信:
应该符合实际,能够依照专业知识,实际体会和实验所取得的数据来决定;
模型参数的估量:
公式中的常数和系数还需要确信,最小二乘法、回归分析或最优化方式;
模型的查验:
以模型的计算值与实测值相差多少为标准。
多次实验,反复修改。
8.随机变量:
设随机实验空间是S={e}.若是关于每一个e∈S,有一个实数X(e),与之对应,如此就取得一个概念在S上的实值单值函数X(e),称为随机变量
9.离散型随机变量:
随机变量所取的可能值是有限多个或无穷可列个持续型随机变量:
随机变量所取的可能值能够持续地充满某个区间
10.众数:
指使得频率函数或密度函数达到极大值的点。
具体说,当X为离散型随机变量时,假设Pi>Pj关于一切i≠j成立,那么称xj为X的众数。
当X为持续型随机变量时,假设f(x0)=maxf(x)那么称x0为X的众数。
11.分位数中位数:
给定常数0
12.数学期望:
设随机变量X有散布函数F(x),概念其数学期望为E(x)=[+∞]S[-∞]xdF(x),关于离散型随机变量E(x)=[n]E[i=1]xipi,i=1,2,3…n;持续型随机变量E(x)=[+∞]S[-∞]xf(x)dx
13.方差、标准差:
设X是一个随机变量,假设E{[X-E(X)]2}存在,那么称E{[X-E(X)]2}为X的方差,记为D(X)或Var(X),称根号“D(X)”为标准差或均方差,记为σ(X)。
方差与标准差均是用来刻画随机变量围绕均值的散布程度的量。
当方差数值小时,说明随机变量的取值就集中在均值周围,反之,随机变量的取值向均值左右两边散开。
14.数学期望的性质:
设C是常数,那么E(C)=C,假设C是常数,那么E(CX)=CE(X);E(X1+X2)=E(X1)+E(X2);设X、Y独立,那么E(XY)=E(X)E(Y);
15.方差的性质:
设C是常数,那么有D(C)=0
设X是一个随机变量,C是常数,那么有D(CX)=C^2*D(X),D(X+C)+D(X)
设X,Y是两个随机变量,那么有D(X+Y)=D(X)+D(Y)+2E{(X-E(X))(Y-E(Y))}
D(X)=0↔P(X=C)=1,C为常数
16.偏度系数:
设散布函数F(x)有二阶中心矩u2和三阶中心矩u3,其偏度系数为r1=u3/[(u2)3/2],偏度系数是一个无量纲的量,它刻画散布函数的对称性。
当r1=0时,散布函数对称;当r1>时,概率散布偏向均值的右边,反之,那么偏向左侧。
17.峰度系数:
设散布函数F(x)有二阶中心矩u2和四阶中心矩u4,其峰度系数为r2=u4/(u22)-3。
峰度系数r2是一个无量纲的量,它用来刻画不同类型的散布函数的集中和分散程度。
关于单峰散布,r2越小,说明密度函数形状越“峻峭”r2越大密度函数形状越“平缓”。
正态散布峰度系数r2=0,一个对称散布,其峰度系数越接近于9,越接近正态散布。
18.正态散布:
设持续型随机变量X的概率密度为
19.其中,u,σ(σ>0)为常数,那么称X服从参数为u,σ的正态散布,记为X~N(u,σ2)。
期望方差:
E(X)=u,D(X)=σ2。
特点:
曲线关于x=u对称;
当x=u时,f(x)取得最大值;
当x→±∞时,f(x)→0;
曲线在x=u±σ处有拐点;
曲线以x轴为渐近线;
当固定σ,改变u的大小时,f(x)图形的形状不变,只沿x轴平移;
固定u改变σ大小时,f(x)图形的对称轴不变形状变,σ越小图形越高瘦,σ越大图形越矮胖。
20.标准正态散布:
正态散布N(u,σ2)中的u=0,σ=1时,如此的称为标准正态散布
21.对数正态散布:
一个随机变量的对数服从正态散布,那么该随机变量服从对数正态散布。
22.3σ法那么:
服从正态散布N(u,σ2)的随机变量X落在区间(u-3σ,u+3σ)内的概率为,落在该区间外的概率只有即X几乎不可能在区间之外取值
23.X2散布:
设X1X2…Xn彼此独立,同N(0,1)散布的随机变量概念Q=[n]E[i=1]xi2则Q的散布称具自由度n的X2散布,记Q~X2(n)。
X2(n)的特点数为E(Q)=n,Var(Q)=2n,r1=2*,r2=12/n
24.t散布:
设X~N(0,1),Q~X2(n),且X与Q彼此独立,记T=X/(Q/n),那么T的散布称为具自由度n的t散布,记作T~t(n)。
t(n)的密度函数曲线也是一个对称曲线,且n越大,t(n)的曲线越接近于N(0,1)。
t(n)的特点数为:
E(T)=0,Var(T)=n/(n-2)(n>2),r1=0,r2=6/(n-4)
25.F散布:
设Q1~X2(n1),Q2~X2(n2)且Q1与Q2彼此独立,记F=(Q1/n1)/(Q2/n2),那么F的散布称为具自由度(n1,n2)的F散布,记住F~F(n1,n2);期望方差:
E(F)=n2/(n2-2),(n2>2);Var(F)=2n2^2*(n1+n2-2)/[n1(n2-2)^2*(n2-4)],(n2>4)。
F散布经常使用于
检查两个正态散布间方差的显著性不同。
查验方差分析中某个因素是不是对指标有显高作用。
26.泊松散布:
设X~π(λ),且散布律为P{X=k}=λk/k!
*e^-λ,k=0,1,2…,λ>0;期望方差均为λ
27.指数散布:
设随机变量X服从指数散布,其概率密度为f(x)={1/θ*e^(-x/θ),x>0;0,x≤0}其中θ>0。
指数散布的期望和方不同离为θ和θ^2
28.威布尔散布:
设随机变量X有散布密度函数w(x,α,β,δ)={(α/β)(x-δ)α-1e^-((x-δ)α/β),x≥δ;0,x<δ},称X服从威布尔散布,并记成X-W(α,β,δ)
29.假设吉斯蒂克散布:
设随机变量X有散布密度函数L(x,α,β)=1/[1+exp(-(x-α)/β)];β>0,-∞<α<∞,-∞ β数值越小,曲线越陡,β数值越大,曲线越平缓。 特点数: E(X)=α,Var(X)=π2β2/3,r1=0,r2= 30.样本: 为推断整体散布及各类特点,按必然规那么从整体中抽取假设干个体进行观看实验以取得有关整体的信息。 所抽取的部份个体称为样本 31.拒绝域与临界点: 当查验统计量取某个区域C中的值时,咱们拒绝原假设H0,那么称区域C为拒绝域,拒绝域的边界点称为临界点 32.区间估量: 设θ为一维未知数,^θ1和^θ2为两个统计量,知足^θ1≤^θ2,用区间[^θ1,^θ2]去估量θ存在的范围,称为θ的一个区间估量。 33.置信区间、置信度: 设[^θ1,^θ2]为θ的一个区间估量,假设对给定的正数1-α及θ的任一可能值θ’有P(^θ1≤θ'≤^θ2)≥1-α;那么称[^θ1,^θ2]为θ的一个置信水平为1-α的置信区间。 而α称为置信度或显著性水平。 34.置信上下限: 设θ为未知参数,1-α为给定的置信水平,假设统计量-θ和θ别离知足P(-θ≤θ)≥1-α;P(θ≤-θ)≥1-α,那么称-θ和-θ为θ的置信水平1-α的置信上(下)限 35.假设查验: 确实是依照样本对所提出的假设作出判定: 是同意,仍是拒绝。 36.原假设与备择假设: 假设查验问题通常表达为: 在显著性水平α下,查验假设H0: u=u0,H1: u≠u0,H0称变回原假设或零假设,H1称为备择假设。 37.两类错误: 当原假设H0为真,观看值却落入拒绝域,而作出了拒绝H0的判定,称做第一类错误,又叫弃真错误,第一类是拒绝一个正确的假设;当原假设H0不真,而观看值却落入同意域,而作出了同意H0的判定,称做第二类错误,又叫取伪错误,第二类是同意一个错误的假设 38.查验的一样步骤: 依照体会,对研究中的代表实验模型的整体散布做出假设,如正态等。 确信原假设和被择假设。 选取统计量Z。 确信统计量Z的散布。 给定显著性水平α。 确信拒绝域|u|≥uα/2,或u≤uσ,u≥uα(由给定的显著性水平查统计量Z概率散布表确信)。 依如实验数据,计算统计量Z的值。 作出决策: 假设统计量落在拒绝域内,择拒绝原假设H0,反之那么同意H0 39.回归分析: 利用统计方式研究变量之间的相关关系称回归系数: 回归方程中常数项或各自变量对应的系数叫做回归方程的回归系数 40.回归系数的确信: 回归系数的确信采纳最小二乘法,即在精准度相等而误差呈正态的许多实验数据中求得最优概值的方式,其判定标准为各数据的误差平方和为最小。 41.模型显著性查验: 确实是查验拟合所得的逼近函数对被逼近的离散函数的表示能力,这可通过对逼近函数的统计查验来判定。 关于线性最小二乘法,经常使用的查验方式有方差分析和残差分析。 42. 曲线的直线化回归: 用实验数据绘制散点图,结合专业知识和体会选择适宜的函数,再将函数线性化,同时将原始数据也按一样方式进行转换。 用线性回归方式对转换后的实验数据进行回归,求得回归系数和线性回归相关系数。 对线性回归系数进行转换,取得曲线函数的回归系数,计算曲线的回归精度和相关系数 43.高斯消元法的步骤: 划方程组为矩阵 扩展矩阵 变换矩阵(从第一列开始,每一步将该列主对角线上的元素变位1,该列其他元素变成0) 44.多项式回归如何判定项数: 简单的方式能够依如实验绘制散点图,通过其形状欠缺的多项式的项数: 当曲线只有一个极大或极小值时,能够选择二次抛物线;当曲线即有极大又有极小值时,能够选择三次或三次以上抛物线。 差分判别的原那么,假设p阶差分是常数,p+1阶差数为0时,那么函数是p阶多项式 45.模型参数的估量方式: 被选择多项式时,进而即便是二次抛物线y=b0+b1x+b2x2也不能转换成线性关系,用一元线性回归的方式求出模型参数。 但一样能够用最小二乘法,成立方程组,求出模型参数。 46.多元线性回归: 当碰到多个自变量,一个因变量,且每一个自变量和因变量之间均为线性关系时,能够用多元线性函数来表示: y^=b0+b1x1+b2x2+…+bpxp;对照多元线性函数和一元多项式的表达式,能够发觉多元线性函数是自变量下标在转变,而多项式是自变量的幂次在转变,假设将多项式的幂次移到下标位置时,即将每一个幂次看做一个新的自变量,那么一元多项式就转化为多元线性函数式。 47.复相关系数: 借鉴相关系数的概念来评判多元线性回归方程的显著性,由于是与多个自变量之间的相关关系因此称复相关系数: R=(U/lyy)^=(1-Q/lyy)^ 48.回归方程显著性查验方式: 复相关系数: 类似于一元线性回归分析,总误差平方和仍能够分解成剩余平方和和回归平方和。 lyy=[N]E[i=1](yi--y)^2=U+Q;回归平方和: U=[N]E[i=1](^yi--y)^2=[p]E[k=1]bklky;借鉴相关系数的概念来评判多元线性回归方程的显著性,复相关系数: R=(U/lyy)^=(1-Q/lyy)^;当|R|近于1时,说明因变量与诸个自变量组成的线性方程线性关系紧密,反之线性关系不紧密甚不存在 49.F查验: 总平方和lyy的自由度为N-1,回归平方和的自由度等于自变量个数p,那么剩余平方和的自由度等于N-p-1。 平方和除以它相应的自由度称为均方。 在知足矩阵X满秩与假设H0(y与诸x之间无线性关系)成立的条件下,回归均方U与剩余均方Q彼此独立,组成F= (U/P)/[Q/(N-p-1)];服从第一自由度为p,第二自由度为N-p-1的F散布。 关于结定的置信度α,相应的自由度p和N-p-1,可查F散布表,取得Fα。 若是F>Fα,否定原假设,即以为y与诸x之间存在线性关系,回归方程具有实际意义;反之那么同意原假设,y与诸x之间无线性关系。 50.剩余均方差: 剩余平方和除以它相应的自由度 51.偏回归平方和: 假设从自变量总数中去掉一个自变量xk,回归平方和会减小,而回归平方和减小的程度越大,说明被去掉的自变量在回归模型中起的作用越大。 取消一个自变量后回归平方和的减少值称y对那个变量的偏回归平方和pk 52.何进行慢慢回归: 慢慢回归方式可分为慢慢增元和慢慢降元。 慢慢增元大体思想是从众多的自变量中,按显著性大小逐次将自变量选入回归方程。 每次引入一个最显著的变量的同时剔除一个最不显著的变量,持续直到回归方程中再没有可剔除的变量,也没有可再引入的变量为止,最后取得最优回归方程。 计算步骤: 按对所有变量线性回归的思路,成立系数矩阵。 用相关系数对系数矩阵进行转换。 变量的取舍。 结果转换。 现在,对标准回归系数和相应的平方和进行转换。 慢慢降元回归的大体思想是先将所有的自变量全数引入到回归方程中,然后对所有的自变量都进行显著性查验,再将其中最小且低于某一临界值Fa的自变量从方程中剔除。 然后从头成立回归方程,重复上面步骤,直到所有自变量均显著为止,最后取得最优回归方程。 计算量较大,但不漏掉有显著阻碍的自变量。 53.非线性回归思想原理: 非线性回归用最小二乘法,确实是按原给定的函数形式来拟合实验数据,求出剩余平方和最小时的模型参数。 当参数估量的判别式—剩余平方和确信后,求参数便转化为求相应的目标函数的最小值,这就成了一个多元函数求极值的问题。 54.高斯牛顿法: 把非线性函数在一局部范围内进行泰勒级数展开,作为原函数的线性近似式,用线性回归的方式,求得参数的近似解,以新的解作为作为新的起点,重复计算,直到逼近真正的解。 55.插值概念: 设函数y=f(x)在区间[a,b]上持续,且已知其在a≤x1 如有代数多项式Pn(x),在点xi处知足Pn(x)=yi,i=0,1,2,...,n那么称Pn(x)为函数y=f(x)的插值多项式点x0,x1,x2,...,xn称为插值节点,[a,b]称为插值区间,y=f(x)表格函数称为被插值函数。 56.插值法大体思想: 构造一个简单函数y=p(x)作为f(x)的近似表达式,利用y=p(x)求f(x)得近似值,通常p(x)取代数多项式。 57.插值与回归的区别: 插值进过所有点,回归不必然通过所有点,回归的离差平方和最小 58.拉格朗日通式: p(x)=[n]E[i=1]yili(x);附 59.牛顿大体插值公式: 当结点为不等距时f(x)=f(x0)+(x-x0)f[x0,x1]+(x-x0)(x-x1)f[x0,x1,x2]+…+(x-x0)(x-x1)…(x-xn-1)f[x0,x1,…xn]+“(x-x0)(x-x1)…(x-xn)f[x0,x1,…xn,x]”;记Nn(x)=前面,En(x)=“” 60.牛顿大体插值与拉格朗日插值的区别: 拉格朗日插值多项式形式对称,计算L(x)依托于全数基点,假设算出所有L(x)后又需要增加基点,那么必需从头计算。 但牛顿插值那么不需要,若是增加1个结点时,前n项的系数维持不变,从而减少了计算量。 因此,Newton插值比Lagrange插值方便。 61.差商: 又称为均差,设函数f(x)在互异的点x0,x1,x2,…x0处的函数值别离为f(x0),f(x1),f(x2)…f(xn)。 那么f[x0,xk]=f(xk)-f(x0)/(xk-x0)为函数f(x)关于点x0,xk的一阶差商。 f[xo,x1,xk]=f(x0,xk)-f(xo,x1)/(xk-x1)为函数f(x)关于点x0,x1,xk的二阶差商。 f[x0,x1,…,xk]=[f(x0,x1,…xk-2,xk)-(x0,x1,…xk-2,xk-1)]/(xk-xk-1)为函数f(x)关于点x0,x1,…xk的k阶差商。 62.差分: 已知函数f(x)在等距结点xk=x0+kh(k=0,1,2,...n)处的函数值别离为f(xk)=fk,常熟h称为步长,概念Δfk=f(xk+h)-f(xk)=fk+1-fk为函数f(xk)在点xh处步长为h的一阶差分。 m阶差分为Δmfk=Δm-1fk+1-Δm-1fk,m=2,3…;规定0零阶差分Δ0fk=fk 63.埃尔米特插值: 关于在n+1个结点x0,x1,x2,…,xn上,别离取给定的函数值y0,y1,y2,…,yn和导数值y’0,y’1,y’2,…y’n。 要求一个插值函数p(x)在结点xk处,不仅与被差函数f(x)的函数值相等,而且与其导数相等,即p(xi)=yi,p’(xi)=y’i,i=1,2,…,n能知足这种要求的插值多项式称为埃尔米特插值多项式。 当r=n时,埃尔米特插值多项式为: 分段三次埃尔米特插值多项式为: 64.线性插值: 利用离散数据中的任意两点,成立一次插值多项式,这种方式称为 65.抛物线插值: 利用其中任意三点,成立二次插值多项式,这种方式称为。 高阶插值: 若是全数利用N+1点,成立N次多项式,那么称为。 66.样条插值: 按序选取三点,成立彼此有联系的三次多项式的差值方式 67.各类插值法的缺点: ①Hermite插值与L-插值(牛顿插值)高次插值显现龙格现象②分段插值分段线性插值在节点处不必然滑腻③分段Hermite插值导数值不容易找到 三次样条插值(先由函数值确信导数值,再由分段Hermite插值解决问题) 68.单变量非线性方程的数值解方式: 二分法: 取(a,b)中点x0=(a+b)/2,将区间分成两半,那么解落在其中之一,依照f(a)*(b)<0判定解落在哪个区间,假设在(a,x0)以x0代替b,反之以x0代替a从头计算中点,n次计算后区间长度为起始的1/2^n,当n趋于无穷,区间长度趋于一点x*,f(x*)→0,x*为方程解。 牛顿法: 将非线性方程通过泰勒级数转化为近似的线性方程,然后迭代求解。 迭代公式: xk+1=xk+f(xk)/f’(xk)。 弦位法: 为了幸免利用导数,用前两次的迭代值计算差商替代导数,其余步骤与牛顿法相同; 慢慢搜索法: 在给定的区间(a,b)内,假设f(a)与f(b)异号,那么(a,b)内至少有一实根。 按从小到大(或大到小)的顺序增加步长,能够慢慢逼近方程的解。 具体进程: a为起点,x0=a,给定步长h,x1=x0+h,f(x0)*f(x1)>0,那么以x1为新的起点,再增加步长h,进行计算和判定,直到f(x0)*f(x1)<0,然后返回一个步长,减小步长为原步长的1/c,直到数值解知足精度。 69.黄金分割法计算步骤: 给定初始区间[a,b],按{x1=a+(b-a);x2=a+(b-a)}选取点x1、x2,计算f(x1)、f(x2); 比较f(x1)、f(x2)的大小,假设f(x1)>=f(x2),删去[a,x1],a=x1,x1=x2,f(x1)=f(x2),x2=a+(b-a),计算f(x2),缩小区间;反之,计算f(x1)。 区间每缩小一次,需要判定|b-a|≤ε,假设知足条件,那么x=(a+b)/2为极小值点,不然继续缩小区间,直到知足要求。 70.黄金分割法推导: 事前并非明白f(x1)与f(x2)的大小,把x1,x2及放在[a,b]区间对称的位置上;消去后保留下的点仍处在区间内相应的位置上,在进一步搜索时,仍是一个有效点。 X1-a=b-x2,(x1-a)/(b-a)=(x2-x1)/(b-x1),(b-x2)/(b-a)=(x2-x1)/(x2-a),令a=0,b-a=l,则x1=l-x2,x1/l=(x2-x1)/(l-x1),解得x1=,x2=,将a,b代入,有x1=a+(b-a),x2=a+(b-a) 71.线性计划的标准形式: 约束条件的标准化: 若是第i个约束公式为ai1x1+ai2x2+…+ainxn≤bi;那么加入变量xn+1≥0,公式改成ai1x1+ai2x2+…+ainxn+xn+1=bi;若是第k个约束公式为: ak1x1+ak2x2+…+aknxn≥bk;那么减去变量xn+k≥0,公式改成ak1x1+ak2x2+…+aknxn-xn+k=bk; 目标函数的标准化: 假设求函数S=[n]E[j=1]cjxj的最大值,那么令S’=-S,将最大值转为最小值问题; 变量的标准化: 若是对某变量xj,没有非负限制,那么引进两个变量x’j≥0,x’’j≥0,令xj=x’j-x’’j代入约束条件中,全数变量都化为非负限制。 利用矩阵线性计划可写为: 求minf=cx知足{Ax=b;x≥0} 72.分派曲线特性参数表征: 分选密度,指分派率为50%时所对应的密度,记为δp。 可能误差(Ep)用以衡量分选设备的效率,它是依照分派曲线上分派率为75%和25%所对应的密度而算出的。 不完善度: 为表征实际分选相关于理想分选的偏离程度I=E/(δp-1)错配物总量将轻产品中大于分选密度的占原煤的量和重产品中小于分选密度的占原煤的量合计在一路,能够明确表达出物料分选的结果和设备的潜力。 误差面积: 实际分派曲线(AOE)与理想分派曲线(AB—BC—CO—OE折线)围起的面积,面积大小可表示分选成效的好坏;分离误差矩: 是分派曲线中两块误配产品面积线性力矩的总和,其值大分选成效差。 73.可选性曲线: 是依照浮沉实验结果绘制的一组曲线,用以表示煤的可选性。 是由五条曲线组成,包括浮物曲线(β)、沉物曲线(θ)、灰分特性曲线(λ)、密度曲线(δ)、分选密度曲线(ε)。 74.密度曲线数学模型: 常见密度曲线模型是以散布函数为原型的线性组合形式: ①单峰散布模
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 数学模型 关于 一个 现实 对象 为了 特定 目的 依照
![提示](https://static.bdocx.com/images/bang_tan.gif)