预测溶解气驱油藏非线性IPR特征的方法
预测溶解气驱油藏非线性IPR特征的方法
【摘要】当压力降到泡点压力以下时，井筒中会出现两相渗流，即油流和溶解气流，此时的IPR曲线是非线性的，无法用一般单相渗流的方法去预测计算，本文列出了几种预测两相渗流IPR的方法。
【关键词】溶解气驱V ogel方法Wiggins方法Standing方法Fetkovich方法Klins-Clark方法
IPR曲线是指表示产量与井底流动压力关系的曲线，也称流入动态曲线，反映油藏向井供应油的能力。由于溶解气驱时，和流体有关的参数都要随着压力的变化而大幅变化，所以产量与井底流动压力是非线性关系。面对这一棘手的问题，国内外学者提出了几种不同的方法去预测并计算。
1 V ogel方法
V ogel在1968年利用计算机模型计算了几个假设饱和油藏的IPR，归一化后计算出IPR，绘出了油藏实例的IPR曲线，得到了以下无量纲参数间的关系，归一化IPR引入以下无量纲参数。
无量纲压力
Q代替无量纲产量，wolQQQ+=。证明该方法在含水高达97%时，仍然有效。而且该方法能预测两类油藏的IPR曲线：饱和油藏和未饱和油藏。V ogel方法的主要缺点在于它对稳定流测试点的数据较为敏感。1.1 饱和油藏
在饱和油藏中对一口井用稳态流测试数据，即Pwf下的Qo的值得出IPR曲线，计算步骤如下：
用稳态流数据即Pwf下的Qo的值计算：（必须已知当前平均压力）
下标f代表未来状况，p代表当前状况。
3 Standing方法
Standing方法从根本上扩展了计算IPR的V ogel方程，他将V ogel方程写成：
4 Fetkovich方法
Muskat和Evinger在1942年尝试用拟稳态流动方程计算理论生产指数，来解释观察到的非线性特征（IPR），他们将达西定律写为：
考虑到非达西流（紊流），Fetkovich在方程中引入指数n得：和oQ在双对
多项式回归、非线性回归模型
多项式回归、非线性回归模型 关键词：回归方程的统计检验、拟合优度检验、回归方程的显著性检验、F 检验、回归系数的显著性检验、残差分析、一元多项式回归模型、一元非线性回归模型 一、回归方程的统计检验 1. 拟合优度检验 1. 概念介绍 SST 总离差平方和total SSR 回归平方和regression SSE 剩余平方和error ∑∑∑∑====--= --- =n i i i n i i i n i i i n i i i y y y y y y y y R 1 2 1 2 12 12 2)()?()()?(1 2. 例题1 存在四点(-2,-3)、(-1,-1)、(1,2)、(4,3)求拟合直线与决定系数。 2. 回归方程的显著性检验 ) 2/()2/()?()?(1 212 -= ---= ∑∑==n SSE SSA n y y y y F n i i i n i i i 例6（F 检验） 在合金钢强度的例1中，我们已求出了回归方程，这里考虑关于回归方程的显著性检验，经计算有： 表5 X 射线照射次数与残留细菌数的方差分析表 这里值很小，因此，在显著性水平0.01下回归方程是显著的。 3. 回归系数的显著性检验 4. 残差分析 二、一元多项式回归模型
模型如以下形式的称为一元多项式回归模型： 0111a x a x a x a y n n n n ++++=-- 例1（多项式回归模型） 为了分析X 射线的杀菌作用，用200千伏的X 射线来照射细菌，每次照射6分钟，用平板计数法估计尚存活的细菌数。照射次数记为t ，照射后的细菌数为y 见表1。试求： （1）给出y 与t 的二次回归模型。 （2）在同一坐标系内作出原始数据与拟合结果的散点图。 （3）预测16=t 时残留的细菌数。 （4）根据问题的实际意义，你认为选择多项式函数是否合适？ 表1 X 射线照射次数与残留细菌数 程序1 t=1:15; y=[352 211 197 160 142 106 104 60 56 38 36 32 21 19 15]; p=polyfit(t,y,2)%作二次多项式回归 y1=polyval(p,t);%模型估计与作图 plot(t,y,'-*',t,y1,'-o');%在同一坐标系中做出两个图形 legend('原始数据','二次函数') xlabel('t(照射次数)')%横坐标名 ylabel('y(残留细菌数)')%纵坐标名 t0=16; yc1=polyconf(p,t0)%预测t0=16时残留的细菌数，方法1 yc2=polyval(p,t0)%预测t0=16时残留的细菌数，方法2 即二次回归模型为： 8967.3471394.519897.121+-=t t y
图像特征提取综述
图像特征提取的定位是计算机视觉和图像处理里的一个概念，表征图像的特性。输入是一张图像（二维的数据矩阵），输出是一个值、一个向量、一个分布、一个函数或者是信号。提取特征的方法千差万别，下面是图像特征的一些特性： 边缘 边缘是两个区域边界的像素集合，本质上是图像像素的子集，能将区域分开。边缘形状是任意的，实践中定义为大的梯度的像素点的集合，同时为了平滑，还需要一些算法进行处理。角 顾名思义，有个突然较大的弧度。早起算法是在边缘检测的基础上，分析边缘的走向，如果突然转向则被认为是角。后来的算法不再需要边缘检测，直接计算图像梯度的高度曲率（合情合理）。但会出现没有角的地方也检测到角的存在。 区域 区域性的结构，很多区域检测用来检测角。区域检测可以看作是图像缩小后的角检测。 脊 长形的物体，例如道路、血管。脊可以看成是代表对称轴的一维曲线，每个脊像素都有脊宽度，从灰梯度图像中提取要比边缘、角和区域都难。 特征提取 检测到特征后提取出来，表示成特征描述或者特征向量。 常用的图像特征：颜色特征、 纹理特征 形状特征 空间关系特征。 1.颜色特征 1.1特点：颜色特征是全局特征，对区域的方向、大小不敏感，但是不能很好捕捉局部特征。 优点：不受旋转和平移变化的影响，如果归一化不受尺度变化的影响。 缺点：不能表达颜色空间分布的信息。 1.2特征提取与匹配方法 （1）颜色直方图 适用于难以自动分割的图像，最常用的颜色空间：RGB和HSV。 匹配方法：直方图相交法（相交即交集）、距离法、中心距法、参考颜色表法、累加颜色直方图法。 对颜色特征的表达方式有许多种，我们采用直方图进行特征描述。常见的直方图有两种：统计直方图，累积直方图。我们将分别实验两种直方图在图像聚类和检索中的性能。 统计直方图 为利用图像的特征描述图像，可借助特征的统计直方图。图像特征的统计直方图实际是一个1-D的离散函数，即： 上式中k代表图像的特征取值，L是特征可取值个数，是图像中具有特征值为k的像素的个数，N是图像像素的总数，一个示例如下图：其中有8个直方条，对应图像中的8种灰度像素在总像素中的比例。
非线性模型预测控制_front-matter
Communications and Control Engineering For other titles published in this series,go to https://www.360docs.net/doc/0c4437231.html,/series/61
Series Editors A.Isidori J.H.van Schuppen E.D.Sontag M.Thoma M.Krstic Published titles include: Stability and Stabilization of In?nite Dimensional Systems with Applications Zheng-Hua Luo,Bao-Zhu Guo and Omer Morgul Nonsmooth Mechanics(Second edition) Bernard Brogliato Nonlinear Control Systems II Alberto Isidori L2-Gain and Passivity Techniques in Nonlinear Control Arjan van der Schaft Control of Linear Systems with Regulation and Input Constraints Ali Saberi,Anton A.Stoorvogel and Peddapullaiah Sannuti Robust and H∞Control Ben M.Chen Computer Controlled Systems E?m N.Rosenwasser and Bernhard https://www.360docs.net/doc/0c4437231.html,mpe Control of Complex and Uncertain Systems Stanislav V.Emelyanov and Sergey K.Korovin Robust Control Design Using H∞Methods Ian R.Petersen,Valery A.Ugrinovski and Andrey V.Savkin Model Reduction for Control System Design Goro Obinata and Brian D.O.Anderson Control Theory for Linear Systems Harry L.Trentelman,Anton Stoorvogel and Malo Hautus Functional Adaptive Control Simon G.Fabri and Visakan Kadirkamanathan Positive1D and2D Systems Tadeusz Kaczorek Identi?cation and Control Using Volterra Models Francis J.Doyle III,Ronald K.Pearson and Babatunde A.Ogunnaike Non-linear Control for Underactuated Mechanical Systems Isabelle Fantoni and Rogelio Lozano Robust Control(Second edition) Jürgen Ackermann Flow Control by Feedback Ole Morten Aamo and Miroslav Krstic Learning and Generalization(Second edition) Mathukumalli Vidyasagar Constrained Control and Estimation Graham C.Goodwin,Maria M.Seron and JoséA.De Doná Randomized Algorithms for Analysis and Control of Uncertain Systems Roberto Tempo,Giuseppe Cala?ore and Fabrizio Dabbene Switched Linear Systems Zhendong Sun and Shuzhi S.Ge Subspace Methods for System Identi?cation Tohru Katayama Digital Control Systems Ioan https://www.360docs.net/doc/0c4437231.html,ndau and Gianluca Zito Multivariable Computer-controlled Systems E?m N.Rosenwasser and Bernhard https://www.360docs.net/doc/0c4437231.html,mpe Dissipative Systems Analysis and Control (Second edition) Bernard Brogliato,Rogelio Lozano,Bernhard Maschke and Olav Egeland Algebraic Methods for Nonlinear Control Systems Giuseppe Conte,Claude H.Moog and Anna M.Perdon Polynomial and Rational Matrices Tadeusz Kaczorek Simulation-based Algorithms for Markov Decision Processes Hyeong Soo Chang,Michael C.Fu,Jiaqiao Hu and Steven I.Marcus Iterative Learning Control Hyo-Sung Ahn,Kevin L.Moore and YangQuan Chen Distributed Consensus in Multi-vehicle Cooperative Control Wei Ren and Randal W.Beard Control of Singular Systems with Random Abrupt Changes El-Kébir Boukas Nonlinear and Adaptive Control with Applications Alessandro Astol?,Dimitrios Karagiannis and Romeo Ortega Stabilization,Optimal and Robust Control Aziz Belmiloudi Control of Nonlinear Dynamical Systems Felix L.Chernous’ko,Igor M.Ananievski and Sergey A.Reshmin Periodic Systems Sergio Bittanti and Patrizio Colaneri Discontinuous Systems Yury V.Orlov Constructions of Strict Lyapunov Functions Michael Malisoff and Frédéric Mazenc Controlling Chaos Huaguang Zhang,Derong Liu and Zhiliang Wang Stabilization of Navier–Stokes Flows Viorel Barbu Distributed Control of Multi-agent Networks Wei Ren and Yongcan Cao
SAS学习系列25. 非线性回归
25. 非线性回归 现实世界中严格的线性模型并不多见，它们或多或少都带有某种程度的近似；在不少情况下，非线性模型可能更加符合实际。 对变量间非线性相关问题的曲线拟合，处理的方法主要有： （1）首先确定非线性模型的函数类型，对于其中可线性化问题则通过变量变换将其线性化，从而归结为前面的多元线性回归问题来解决； （2）若实际问题的曲线类型不易确定时，由于任意曲线皆可由多项式来逼近，故常可用多项式回归来拟合曲线； （3）若变量间非线性关系式已知（多数未知），且难以用变量变换法将其线性化，则进行数值迭代的非线性回归分析。 （一）可变换为线性的非线性回归
在很多场合，可以对非线性模型进行线性化处理，尤其是可变换为线性的非线性回归，运用最小二乘法进行推断，对线性化后的线性模型，可以应用REG过程步进行计算。 例1 有实验数据如下： 试分别采用指数回归（y =ae bx）方法进行回归分析。 代码： data exam25_1; input x y; cards; 1.1 109.95 1.2 40.45 1.3 20.09 1.4 24.53 1.5 11.02 1.6 7.39 1.7 4.95 1.8 2.72 1.9 1.82 2 1.49 2.1 0.82 2.2 0.3 2.3 0.2 2.4 0.22 ; run; proc sgplot data = exam25_1; scatter x = x y = y; run; proc corr data = exam25_1; var x y; run;
data new1; set exam25_1; v = log(y); run; proc sgplot data = new1; scatter x = x y = v; title'变量代换后数据'; run; proc reg data = new1; var x v; model v = x; print cli; title'残差图'; plot residual. * predicted.; run; data new2; set exam25_1; y1 = 14530.28*exp(-4.73895*x); run; proc gplot data = new2; plot y*x=1 y1*x=2 /overlay; symbol v=dot i=none cv=red; symbol2i=sm color=blue; title'指数回归图'; 运行结果：
非线性回归分析
SPSS—非线性回归(模型表达式)案例解析 2011-11-16 10:56 由简单到复杂，人生有下坡就必有上坡，有低潮就必有高潮的迭起，随着SPSS 的深入学习，已经逐渐开始走向复杂，今天跟大家交流一下，SPSS非线性回归，希望大家能够指点一二！ 非线性回归过程是用来建立因变量与一组自变量之间的非线性关系，它不像线性模型那样有众多的假设条件，可以在自变量和因变量之间建立任何形式的模型非线性，能够通过变量转换成为线性模型——称之为本质线性模型，转换后的模型，用线性回归的方式处理转换后的模型，有的非线性模型并不能够通过变量转换为线性模型，我们称之为：本质非线性模型 还是以“销售量”和“广告费用”这个样本为例，进行研究，前面已经研究得出：“二次曲线模型”比“线性模型”能够更好的拟合“销售量随着广告费用的增加而呈现的趋势变化”，那么“二次曲线”会不会是最佳模型呢？ 答案是否定的，因为“非线性模型”能够更好的拟合“销售量随着广告费用的增加而呈现的变化趋势” 下面我们开始研究： 第一步：非线性模型那么多，我们应该选择“哪一个模型呢？” 1：绘制图形，根据图形的变化趋势结合自己的经验判断，选择合适的模型 点击“图形”—图表构建程序—进入如下所示界面：
点击确定按钮，得到如下结果：
放眼望去, 图形的变化趋势，其实是一条曲线，这条曲线更倾向于"S" 型曲线，我们来验证一下，看“二次曲线”和“S曲线”相比，两者哪一个的拟合度更高！ 点击“分析—回归—曲线估计——进入如下界面
在“模型”选项中，勾选”二次项“和”S" 两个模型，点击确定，得到如下结果： 通过“二次”和“S “ 两个模型的对比，可以看出S 模型的拟合度明显高于
非线性模型预测控制_Chapter10
Chapter 10 Numerical Optimal Control of Nonlinear Systems In this chapter,we present methods for the numerical solution of the constrained ?nite horizon nonlinear optimal control problems which occurs in each iterate of the NMPC procedure.To this end,we ?rst discuss standard discretization techniques to obtain a nonlinear optimization problem in standard form.Utilizing this form,we outline basic versions of the two most common solution methods for such problems,that is Sequential Quadratic Programming (SQP)and Interior Point Methods (IPM).Furthermore,we investigate interactions between the differential equation solver,the discretization technique and the optimization method and present several NMPC speci?c details concerning the warm start of the optimization routine.Finally,we discuss NMPC variants relying on inexact solutions of the ?nite horizon optimal control problem. 10.1Discretization of the NMPC Problem The most general NMPC problem formulation is given in Algorithm 3.11and will be the basis for this chapter.In Step (2)of Algorithm 3.11we need to solve the optimal control problem minimize J N n,x 0,u(·) :=N ?1 k =0ωN ?k n +k,x u (k,x 0),u(k) +F J n +N,x u (N,x 0) with respect to u(·)∈U N X 0(n,x 0), subject to x u (0,x 0)=x 0,x u (k +1,x 0)=f x u (k,x 0),u(k) .(OCP n N ,e ) We will particularly emphasize the case in which the discrete time system (2.1)is induced by a sampled data continuous time control systems ˙x(t)=f c x(t),v(t) ,(2.6)L.Grüne,J.Pannek,Nonlinear Model Predictive Control , Communications and Control Engineering, DOI 10.1007/978-0-85729-501-9_10,?Springer-Verlag London Limited 2011275
常见非线性回归模型
常见非线性回归模型 1.简非线性模型简介 非线性回归模型在经济学研究中有着广泛的应用。有一些非线性回归模型可以通 过直接代换或间接代换转化为线性回归模型,但也有一些非线性回归模型却无 法通过代换转化为线性回归模型。 柯布—道格拉斯生产函数模型 y AKL 其中L和K分别是劳力投入和资金投入, y是产出。由于误差项是可加的, 从而也不能通过代换转化为线性回归模型。 对于联立方程模型,只要其中有一个方程是不能通过代换转化为线性,那么这个联立方程模型就是非线性的。 单方程非线性回归模型的一般形式为 y f(x1,x2, ,xk; 1, 2, , p) 2.可化为线性回归的曲线回归 在实际问题当中，有许多回归模型的被解释变量y与解释变量x之间的关系都不是线性的，其中一些回归模型通过对自变量或因变量的函数变换可以转化为
线性关系，利用线性回归求解未知参数，并作回归诊断。如下列模型。 （1）y 0 1e x （2）y 0 1x2x2p x p （3）y ae bx (4)y=alnx+b 对于（1）式，只需令x e x即可化为y对x是线性的形式y01x，需要指出的是，新引进的自变量只能依赖于原始变量，而不能与未知参数有关。 对于（2）式，可以令x1=x,x2=x2,?,x p=x p,于是得到y关于x1,x2,?, x p 的线性表达式y 0 1x12x2 pxp 对与（3）式，对等式两边同时去自然数对数，得lnylnabx ,令 y lny, 0 lna, 1 b，于是得到y关于x的一元线性回归模型： y 0 1x。 乘性误差项模型和加性误差项模型所得的结果有一定差异，其中乘性误差项模型认为yt本身是异方差的，而lnyt是等方差的。加性误差项模型认为yt是等 方差的。从统计性质看两者的差异，前者淡化了y t值大的项（近期数据）的作用， 强化了y t值小的项（早期数据）的作用，对早起数据拟合得效果较好，而后者则 对近期数据拟合得效果较好。 影响模型拟合效果的统计性质主要是异方差、自相关和共线性这三个方面。 异方差可以同构选择乘性误差项模型和加性误差项模型解决，必要时还可以使用 加权最小二乘。
特征提取及模型训练
特征提取与模型训练模块文档 概述 声学模型的好坏与识别结果好坏密切相关，本文简单介绍声学模型训练模块的核心技术。包括（1）特征提取和（2）模型训练两部分。特征提取采用美尔频率听感线性预测系数（MF-PLP），模型训练采用嵌入式BawnWelch重估和基于决策树分裂的聚类方法。 第一部分美尔（Mel）频率听感线性预测特征MF-PLP MF-PLP是综合了Mel频率，听感响度，线性预测三种技术的混合特征。 今日的MFCC在语音识别领域已经无人不知无人不晓，采用MFCC+△MFCC+△△MFCC特征参数已经成为语音识别领域的通用模式。它的成功在于它采用了Mel刻度，这种刻度更加符合人耳对音高的感知。人耳对Hz刻度的感知不是线性的，而是近似的对数曲线，音乐上每升高8度音，频谱大概翻一番，人们很容易控制和感知频率的翻倍，但是却很难把握频率到底增减多少个Hz。Mel刻度是对Hz刻度的一种弯折，经过Mel弯折之后，人耳感知的音高变化量，和Mel刻度的变化量是一致的。因此MFCC具有比其他系数更好的性能。图一左图给出的是Mel刻度和Hz刻度的对应关系，右图给出的是Mel刻度上的等距离滤波窗对应于Hz刻度的非线性滤波窗。 图一Mel刻度和Hz刻度的关系 图二听感响度曲线（北京大学、沈炯教授制作） 声学特征与听感相一致是非常重要的，MFCC考虑了听感音高与人耳的感知的非线性关系，实际上人耳对音强的感知也是非线性的。早在1933年，Zwicker等人就研究了白噪音掩蔽现象，并用大量数据测量描绘出人耳对音强感知的听阈曲线和痛阈曲线。图二给出了人耳对不同频率不同音量的感知关系，可以看出，听感强度和实际强度是非常不一致的，这就为特征的进一步优化提供了可能。 中科院自动化研究所所采用的MF-PLP特征，结合了这两者的优点，既考虑到听感音高的非线性性，又考虑到听感音强的非线性，对频率轴和振幅轴经过非线性变换，得到更加接近人耳听觉的特征，从而具有更好的性能。 美尔频率听感线性预测特征提取算法如下： 第一步、对频谱进行美尔频率非线性压缩，得到各个滤波器组
非线性回归分析(教案)
1.3非线性回归问题, 知识目标：通过典型案例的探究，进一步学习非线性回归模型的回归分析。 能力目标：会将非线性回归模型通过降次和换元的方法转化成线性化回归模型。 情感目标：体会数学知识变化无穷的魅力。 教学要求：通过典型案例的探究，进一步了解回归分析的基本思想、方法及初步应用. 教学重点：通过探究使学生体会有些非线性模型通过变换可以转化为线性回归模型，了解在解决实际问题的 过程中寻找更好的模型的方法. 教学难点：了解常用函数的图象特点，选择不同的模型建模，并通过比较相关指数对不同的模型进行比较. 教学方式：合作探究 教学过程： 一、复习准备： 对于非线性回归问题,并且没有给出经验公式,这时我们可以画出已知数据的散点图,把它与必修模块《数学1》中学过的各种函数（幂函数、指数函数、对数函数等）的图象作比较,挑选一种跟这些散点拟合得最好的函数,然后采用适当的变量代换,把问题转化为线性回归问题,使其得到解决. 二、讲授新课： 1. 探究非线性回归方程的确定： 1. 给出例1：一只红铃虫的产卵数y 和温度x 有关，现收集了7组观测数据列于下表中，试建立y 与x 之间的/y 个 2. 讨论：观察右图中的散点图，发现样本点并没有分布在某个带状区域内，即两个变量不呈线性相关关系，所以不能直接用线性回归方程来建立两个变量之间的关系. ① 如果散点图中的点分布在一个直线状带形区域，可以选线性回归模型来建模；如果散点图中的点分布在一个曲线状带形区域，就需选择非线性回归模型来建模. ② 根据已有的函数知识，可以发现样本点分布在某一条指数函数曲线y =2C 1e x C 的周围（其中12,c c 是待定的参数），故可用指数函数模型来拟合这两个变量. ③ 在上式两边取对数，得21ln ln y c x c =+，再令ln z y =，则21ln z c x c =+，可以用线性回归方程来拟合. ④ 利用计算器算得 3.843,0.272a b =-=，z 与x 间的线性回归方程为 0.272 3.843z x =-，因此红铃虫的产卵数对温度的非线性回归方程为0.272 3.843x y e -=. ⑤ 利用回归方程探究非线性回归问题，可按“作散点图→建模→确定方程”这三个步骤进行. 其关键在于如何通过适当的变换，将非线性回归问题转化成线性回归问题. 三、合作探究 例 2.：炼钢厂出钢时所用的盛钢水的钢包,在使用过程中,由于钢液及炉渣对包衬耐火材料的侵蚀,使其容积不断增大,请根据表格中的数据找出使用次数 x 与增大的容积y 之间的关系.
非线性回归分析
非线性回归问题, 知识目标：通过典型案例的探究，进一步学习非线性回归模型的回归分析。 能力目标：会将非线性回归模型通过降次和换元的方法转化成线性化回归模型。 情感目标：体会数学知识变化无穷的魅力。 教学要求：通过典型案例的探究，进一步了解回归分析的基本思想、方法及初步应用. 教学重点：通过探究使学生体会有些非线性模型通过变换可以转化为线性回归模型，了解在解决实际问题的 过程中寻找更好的模型的方法. 教学难点：了解常用函数的图象特点，选择不同的模型建模，并通过比较相关指数对不同的模型进行比较. 教学方式：合作探究 教学过程： 一、复习准备： 对于非线性回归问题,并且没有给出经验公式,这时我们可以画出已知数据的散点图,把它与必修模块《数学1》中学过的各种函数（幂函数、指数函数、对数函数等）的图象作比较,挑选一种跟这些散点拟合得最好的函数,然后采用适当的变量代换,把问题转化为线性回归问题,使其得到解决. 二、讲授新课： 1. 探究非线性回归方程的确定： 1. 给出例1：一只红铃虫的产卵数y 和温度x 有关，现收集了7组观测数据列于下表中，试建立y 与x 之间 2. 讨论：观察右图中的散点图，发现样本点并没有分布在某个带状区域内，即两个变量不呈线性相关关系，所以不能直接用线性回归方程来建立两个变量之间的关系. ① 如果散点图中的点分布在一个直线状带形区域，可以选线性回归模型来建模；如果散点图中的点分布在一个曲线状带形区域，就需选择非线性回归模型来建模. ② 根据已有的函数知识，可以发现样本点分布在某一条指数函数曲线y =2C 1e x C 的周围（其中12,c c 是待定的参数），故可用指数函数模型来拟合这两个变量. ③ 在上式两边取对数，得21ln ln y c x c =+ ，再令ln z y =，则21ln z c x c =+， 可以用线性回归方程来拟合. ④ 利用计算器算得 3.843,0.272a b =-=，z 与x 间的线性回归方程为0.272 3.843z x =-$，因此红铃虫的产卵数对温度的非线性回归方程为$0.272 3.843x y e -=. ⑤ 利用回归方程探究非线性回归问题，可按“作散点图→建模→确定方程”这三个步骤进行. 其关键在于如何通过适当的变换，将非线性回归问题转化成线性回归问题. 三、合作探究 例 2.：炼钢厂出钢时所用的盛钢水的钢包,在使用过程中,由于钢液及炉渣对包衬耐火材料的侵蚀,使其容积不断增大,请根据表格中的数据找出使用次数x 与增大的容积y 之间的关系.
预测控制
1.1 引言 预测控制是一种基于模型的先进控制技术，它不是某一种统一理论的产物，而是源于工业实践，最大限度地结合了工业实际地要求，并且在实际中取得了许多成功应用的一类新型的计算机控制算法。由于它采用的是多步测试、滚动优化和反馈校正等控制策略，因而控制效果好，适用于控制不易建立精确数字模型且比较复杂的工业生产过程，所以它一出现就受到国内外工程界的重视，并已在石油、化工、电力、冶金、机械等工业部门的控制系统得到了成功的应用。工业生产的过程是复杂的，我们建立起来的模型也是不完善的。就是理论非常复杂的现代控制理论，其控制的效果也往往不尽人意，甚至在某些方面还不及传统的PID控制。70年代，人们除了加强对生产过程的建模、系统辨识、自适应控制等方面的研究外，开始打破传统的控制思想的观念，试图面向工业开发出一种对各种模型要求低、在线计算方便、控制综合效果好的新型算法。这样的背景下，预测控制的一种，也就是模型算法控制（MAC -Model Algorithmic Control）首先在法国的工业控制中得到应用。同时，计算机技术的发展也为算法的实现提供了物质基础。现在比较流行的算法包括有：模型算法控制（MAC）、动态矩阵控制（DMC ）、广义预测控制（GPC）、广义预测极点（GPP）控制、内模控制（IMC）、推理控制（IC）等等。随着现代计算机技术的不断发展，人们希望有一个方便使用的软件包来代替复杂的理论分析和数学运算，而Matlab、C、C++等语言很好的满足了我们的要求。 1.2 预测控制的存在问题及发展前景 70年代以来，人们从工业过程的特点出发，寻找对模型精度要求不高，而同样能实现高质量控制性能的方法，以克服理论与应用之间的不协调。预测控制就是在这种背景下发展起来的一种新型控制算法。它最初由Richalet和Cutler等人提出了建立在脉冲响应基础上的模型预测启发控制（Model Predictive Heuristic Control,简称“MPHC”）,或称模型算法控制(Model Algorithmic Control，简称“MAC”)；Cutler等人提出了建立在阶跃响应基础上的动态矩阵控制(Dynamic Matrix Control，简称“DMC”)，是以被控系统的输出时域响应(单位阶跃响应或单位冲激响应)为模型，控制律基于系统输出预测，控制系统性能有较强的鲁棒性，并且方法原理直观简单、易于计算机实现。它的产生并不是理论发展的需要，而是在工业实践过程中独立发展起来，即实践超前于理论它一经问世就在石油、电力和航空等领域中得到十分成功的应用。之后，又延伸到网络、冶金、轻工、机械等部门或系统。80年代初期，人们为了增强自适应控制系统的鲁棒性，在广义最小方差控制的基础上，吸取预测控制中的多步预测、滚动优化思想，以扩大反映过程未来变化趋势的动态信息量，提高自适应控制系统的实用性。这样就出现了便于辨识过程参数模型、带自校正机制、在线修改模型参数的预测控制算法,主要有Clarke等提出的广义预测控制(GPC) Do Keyser的扩展时域预测自适应控制(EPSAC),广义预测极点配置控制(GPP)。Brosilow于1978年提出推理机制(1C), Garcia. Norari 于1982年提出内部模型控制(简称内模控制，IMC )，从模型结构的角度对预测控制作了更深入的研究，分析出预测控制具有内模控制的结构。应用内模控制结构来分析预测控制系统，有利于理解预测控制的运行机理，分析预测控制系统的闭环动静态特性、稳定性和鲁棒性，找出各类预测控制算法的内在联系，导出它们的统一格式，有力推动了预测控制在算法研究、稳定性鲁棒性的理论分析和应用研究上的发展。但实际上，预测控制的理论还是落后于其实
非线性回归分析
非线性回归分析(转载) (2009-10-23 08:40:20) 转载 分类：Web分析 标签： 杂谈 在回归分析中，当自变量和因变量间的关系不能简单地表示为线性方程，或者不能表示为可化为线性方程的时侯，可采用非线性估计来建立回归模型。 SPSS提供了非线性回归“Nonlinear”过程，下面就以实例来介绍非线性拟合“Nonlinear”过程的基本步骤和使用方法。 应用实例 研究了南美斑潜蝇幼虫在不同温度条件下的发育速率，得到试验数据如下： 表5-1 南美斑潜蝇幼虫在不同温度条件下的发育速率 温度℃17.5 20 22.5 25 27.5 30 35 发育速率0.0638 0.0826 0.1100 0.1327 0.1667 0.1859 0.1572 根据以上数据拟合逻辑斯蒂模型： 本例子数据保存在DATA6-4.SAV。 1）准备分析数据 在SPSS数据编辑窗口建立变量“t”和“v”两个变量，把表6-14中的数据分别输入“温度”和“发育速率”对应的变量中。 或者打开已经存在的数据文件（DATA6-4.SAV）。 2）启动线性回归过程 单击SPSS主菜单的“Analyze”下的“Regression”中“Nonlinear”项，将打开如图5-1
所示的线回归对话窗口。 图5-1 Nonlinear非线性回归对话窗口 3) 设置分析变量 设置因变量：从左侧的变量列表框中选择一个因变量进入“Dependent(s)”框。本例子选“发育速率[v]”变量为因变量。 4) 设置参数变量和初始值 单击“Parameters”按钮，将打开如图6-14所示的对话框。该对话框用于设置参数的初始值。 图5-2 设置参数初始值
非线性回归分析(常见曲线及方程)
非线性回归分析 回归分析中，当研究的因果关系只涉及因变量和一个自变量时，叫做一元回归分析；当研究的因果关系涉及因变量和两个或两个以上自变量时，叫做多元回归分析。此外，回归分析中，又依据描述自变量与因变量之间因果关系的函数表达式是线性的还是非线性的，分为线性回归分析和非线性回归分析。通常线性回归分析法是最基本的分析方法，遇到非线性回归问题可以借助数学手段化为线性回归问题处理 两个现象变量之间的相关关系并非线性关系，而呈现某种非线性的曲线关系，如：双曲线、二次曲线、三次曲线、幂函数曲线、指数函数曲线(Gompertz)、S型曲线(Logistic) 对数曲线、指数曲线等，以这些变量之间的曲线相关关系，拟合相应的回归曲线，建立非线性回归方程，进行回归分析称为非线性回归分析 常见非线性规划曲线 1.双曲线1b a y x =+ 2.二次曲线 3.三次曲线 4.幂函数曲线 5.指数函数曲线(Gompertz) 6.倒指数曲线y=a / e b x其中a>0， 7.S型曲线(Logistic) 1 e x y a b-= + 8.对数曲线y=a+b log x,x>0 9.指数曲线y=a e bx其中参数a>0 1．回归： （1）确定回归系数的命令 [beta，r，J]=nlinfit（x,y,’model’,beta0） （2）非线性回归命令：nlintool（x，y，’model’, beta0，alpha） 2．预测和预测误差估计： [Y，DELTA]=nlpredci（’model’, x，beta，r，J） 求nlinfit 或lintool所得的回归函数在x处的预测值Y及预测值的显著性水平为1-alpha的置信区间Y，DELTA. 例2 观测物体降落的距离s与时间t的关系，得到数据如下表，求s 2 解： 1. 对将要拟合的非线性模型y=a/ e b x，建立M文件如下：
高考数学复习点拨 非线性回归问题
非线性回归问题 两个变量不呈线性关系，不能直接利用线性回归方程建立两个变量的关系，可以通过变换的方法转化为线性回归模型。分析非线性回归问题的具体做法是： （1）若问题中已给出经验公式，这时可以将变量x 进行置换（换元），将变量的非线性关系转化为线性关系，将问题化为线性回归分析问题来解决． （2）若问题中没有给出经验公式，需要我们画出已知数据的散点图，通过与各种已知函数（如指数函数、对数函数、幂函数等）的图象作比较，选择一种与这些散点拟合得最好的函数，然后采用适当的变量置换，将问题化为线性回归分析问题来解决． 下面举例说明非线性回归分析问题的解法． 例1 在彩色显影中，由经验可知：形成染料光学密度y 与析出银的光学密度x 由公式 e b x y A =（b <0）表示，现测得实验数据如下： 试求对的回归方程． 分析：该例是一个非线性回归分析问题，由于题目中已给定了要求的曲线为e b x y A =（b <0）类型，我们只要通过所给的11对样本数据求出A 和b ，即可确定x 与y 的相关关系的曲线方程． 解：由题意可知，对于给定的公式e b x y A =（b <0）两边取自然对数，得ln ln b y A x =+． 与线性回归方程对照可以看出，只要取1 u x = ，ln v y =，ln a A =，就有v a bu =+，这是v 对u 的线性回归直线方程，对此我们再套用相关性检验，求回归系数b 和a ． 题目中所给数据由变量置换1 u = ，ln v y =变为如表所示的数据： 由于｜r ｜=0.998>0.602，可知u 与v 具有很强的线性相关关系． 再求得0.146b =-，0.548a =， ∴v =0.5480.146u -，把u 和v 置换回来可得0.146 ln 0.548y x =- ， ∴0.1460.1460.1460.5480.548 e 1.73x x x y e e e - - - ===， ∴回归曲线方程为0.1461.73e x y - =． 点评：解决本题的思路是通过适当的变量置换把非线性回归方程转化为线性回归方程，然后再套用线性回归分析的解题步骤． 例2 为了研究某种细菌随时间x 变化的繁殖个数，收集数据如下：
预测控制理论
预测控制 1前言 自从1946年第一台计算机问世以来,计算机软、硬件技术得到飞速发展。这些技术的发展,使计算机在工业控制的应用中得到了普及的同时,也推动了高级过程控制、人工智能控制等复杂工业控制算法、策略的诞生、发展和完善。首先将计算机直接应用于过程控制系统的思想产生于20世纪50年代前后。当时由美国汤姆森·拉默·伍尔里奇航空公司和得克萨柯公司的工程师们对美国得克萨斯州的波特·阿瑟炼油厂的一台聚合装置,将计算机直接应用于工业控制的可行性问题展开了30年工程量的研究。最终这个计算机控制装置于1959-03在线运行,用来控制26个流量、72个温度、3个压力和3个成分,其基本功能是使反应器的压力最小,确定5个反应器供料的最佳分配,根据催化剂活性测量结果来控制热水的流量,以确定最佳循环。在过程计算机控制发展领域,值得一提的是预测控制技术的发展。预测控制诞生于20世纪60年代,经过20多年的发展与应用,从线性时不变预测控制发展出应用于非线性、时变系统的多种新的预测控制技术,成为控制工程界研究的一个热点。 2模型预测控制(MPC)技术 术语“模型预测控制”描述的是使用显示过程模型来控制对象未来行为的一类计算机算法。就一般意义而言,预测控制算法都包含模型预测、滚动优化和反馈校正三个主要部分。下面分别介绍这三个部分。 2.1预测模型 预测控制是一种基于模型的控制算法,这一模型称为预测模型。预测模型只注重模型的功能,而不注重模型的形式,预测模型的功能就是根据兑现的历史信息和未来输入预测系统的未来输出,只要具有预测功能的模型,无论其有什么样的表现形式,均可作为预测模型。因此,状态方程、传递函数这类传统的模型都可以作为预测模型,同样,对于线性稳定对象,阶跃响应、脉冲响应这类非参数模型,也可直接作为预测模型使用。例如,在DMC、MAC等预测控制策略中,采用了实际工业中容易获得的阶跃响应、脉冲响应等非参数模型,而GPC等预测控制策略则选择CARIMA模型、状态空间模型等参数模型。此外,非线性系统、分布参数系统的模型,只要具备上述功能,也可在这类系统进行预测控制时作为预测模型使用。因此,预测控制摆脱了传统控制基于严格数学模型的要求,从全新的角度建立模型的概念。预测模型具有展示系统未来动态行为的功能。这样,就可以利用预测模型为预测控制进行优化提供先验知识,从而决定采用何种控制输入,使未来时刻被控对象的输出变化符合预期的目标。尽管生产过程对象都或多或少地呈现非线性,在预测控制系统中几乎都使用线性化的模型。这种使用线性简单化模型的策略在大多数情况下是值得考虑的:首先,线性化的阶跃响应模型和脉冲响应模型在离线辨识、经验和机理建模中很容易获得;其次,对于大多数缓慢的化工过程,在稳态工作点附近的模型,使用线性化的模型不会给整个控制带来很大的误差;再次,在工作点在线辨识得到的线性模型足以满足控制要求;最后,对于使用线性模型的线性系统,数学上有较为成熟的优化工具对凸规划进行求解。 2.2滚动优化 预测控制的最主要特征表现在滚动优化。预测控制通过某一性能指标的最优来确定未来的控制作用,这一性能指标涉及到系统未来的行为,例如,通常可取对象输出在未来的采样点上跟踪某一期望轨迹的方差最小等。但也可取更广泛的形式,例如要求控制能量为最小而同时保持输出在某一给定范围内等等。性能指标中涉及到的系统未来的行为,是根据预测模型由未来的控制策略决定的。但是,预测控制中的优化与通常的离散最优控制算法有很大的差别。这主要表现在预测控制中的优化目标不是一成不变的全局优化目标,而是采用有限时段的滚动优化策略,在每一采样时刻,优化性能指标只涉及到从未来有限的时间,而到下一采样时刻,这一优化时段同时向前推移。因此,预测控制在每一时刻有一个相对于该时刻的优化性能指标,不同时刻优化性能指标的相对形式是相同的,但其绝对形式(即所包含的时间区域)则是不同的。因此,在预测控制中,优化不是一次离线进行,而是反复在线进行的,这就是滚动优化的含义,也是预测控制区别于传统最优控制的根本特点。对于实际的复杂工业过程来说,模型失配、时变、干扰等引起的不确定性是不可避免的,预测控制采用这种有限时段优化具有一定的局限性,滚动优化可能无法得到全局的最优解,但优化的滚动实施却能顾及由于模型失配、时变、干扰等引起的不确定性,及时弥补这些因素造成的影响,并始终把新的优化建立在实际过程的基础上,因此,建立在有限时段上的滚动优化策略更加符合过程控制的特点。