[原创] 建模方法的简介及对比——数据建模

在许多实际应用中，由对实际被控对象没有精确的了解，不可能进行机理建模。数据建模是一种利用系统过程数据进行建模的方法。

对于机理不清楚的对象，可采用基于实验数据的建模方法，因为过程的输入输出信号总是可以通过测量得到的。而过程的变化特性必然表现在这些输入输出数据之中，所以可以使用这些数据提供的信息来建立过程的模型。利用输入输出数据中提取有用的信息，构建主导变量与辅助变量之间的模型，这种方法也称为辨识方法。由于这种方法无需了解太多对象的先验知识，因而是一种较为通用的建模方法。常用的方法有，最小二乘法、极大似然法、Bayes法等。

系统的动态特性必然表现在变化的输入输出数据中，通过测取系统在人为输入作用下的输出响应，或正常进行时间的输入输出记录，加以必要的数据处理和数学计算，估计出系统的数学模型，这种方法称为实验建模，即“黑箱问题”。

数据建模，除了要选择模型的结构形式，还包括输入序列设计，噪声建模，参数估计和模型校验等重要环节。在理论研究和实际应用中，以上的每一项任务都很富有挑战性，并且在一定程度上需依赖经验。同时，数据建模有其优点：

（1）      不需要对过程有详细的了解；

（2）      容易限制模型的复杂度；

（3）      当过程参数变化或运行范围变化时，可以较容易地通过程数据重新建模，或通过自适应的方法对模型进行在线修正。

相关阅读：