关于快速成型模型中片面数与顶点数之间的关系的研究

快速原型模型中面数与顶点数关系的研究摘要本文利用统计学知识和matlab软件的思想，研究和讨论了RP模型中边数和顶点数之间的关系，得到了它们之间的回归模型。在所考虑的所有因素中，变量是根据它们的显著程度从大到小依次引入的。最后，剔除作用显著程度小的变量，得到作用显著程度的变量，从而确定回归方程。为了验证模型的实用性，最后对模型进行了测试。测试结果表明，回归模型与实际情况有较大误差，在较大误差的允许范围内，回归模型仍然有意义。关键词：matlab逐步回归模型1.问题的提出当我们使用aruro软件加载rp模型时，我们经常可以看到模型的细节：边数、顶点数、体积、表面积等。无意中，我们都想问：模型中顶点数和单侧数之间是什么关系？为此，作者使用arora软件加载快速原型模型，并从统计角度出发，分别记录了每个模型的边数和顶点数，如下两个表所示：编号1234567修补117619422122109696306426842668顶点888971460914850152713421336编号89101112131415修补4043215122969613977213882832146815804顶点202237564485069922690941673678962.符号描述:单个快速原型模型中的刻面数量；:单个快速原型模型中的顶点数。在单个RP模型中(i=0，1，2，3，4，5)单侧数与I的幂的系数3.模型假设1、统计数据真实可靠；2.快速原型模型的顶点数与模型的形状和复杂程度无关，只与面的数量有关。3.少量样本的统计结果可以作为一个整体来近似。4.问题分析首先，我们需要将统计结果转换成可读的数据。然后考虑到统计的随机性，我们可以用逐步回归的方法来确定rp模型中顶点数和单侧数之间的参数关系。5.造型由于对这个问题的理解有限，很难一开始就确定顶点数和单侧数之间的关系。因此，我们需要进行逐步回归来确定参数，然后确定最终的关系表达式。我们首先假设他们的关系是：(1)考虑到多变量之间的相关性和计算的复杂性，我们不妨这样做，所以，只要我们验证S的幂与之间的相关性，然后剔除一些相关性较小的变量，就可以通过回归分析得到顶点数与单侧数之间的关系。6.模型分析与解决方案6.1相关性分析逐步分析1的基本思想是：在所考虑的所有因素中，回归方程是根据它们对y的影响的显著性从大到小逐一引入的，对y没有显著影响的变量可能从头到尾都不引入回归方程。另一方面，已经被引入回归方程的变量也可以从回归方程中移除，因为它们在引入新变量之后对y没有显著影响。首先，我们需要分别转换原始数据和计算功率。然后用逐步回归的方法计算变量之间的相关性，最后剔除相关性小的变量，最后得到变量与之间的关系。6.2变量间显著性的逐步回归分析首先，在初始模型中采用所有自变量：逐步(s，p)，以获得图表逐步图(图1)和表格逐步表(表1)。逐步图2中的四条直线都位于零线上，这表明变量、和在模型中的显著性不好，变量、和的显著性在逐步表中最差。由此，我们可以得出结论，顶点数p和s的一阶()具有最强的显著性，并且最终的回归模型可以由此获得：，(2)图1。逐步绘图表16.3。变量和的线性回归(3)将相关数据写入matlab，相应结果如下：(4)顶点之间的关系怒了通过计算10组数据(如表2所示)，将10个部分数分别代入公式(5)中，得到相应的顶点数P，然后将计算出的顶点数P和P之差的方差作为评估模型的参考。差异可以表示为：(j=1，2，310) (5)模型的参考值可以表示为：(6)表2。模型检验数据和结果编号12345678910单边数字306412118158042144106450724540453693687648顶点数152760457896107253425362260225846583790参考顶点数155260787921109255225562290228847033843差异d24.7732.8624.4919.8617.9719.5729.6229.6245.1447.23模型的参考值为119.43从表2可以看出，回归得到的顶点数与实际统计的顶点数之间仍有很大的差异，最小的差异为17.97，最大的差异为47.23，而我们定义的评价模型优劣的参考值，即差异的方差也很大，达到119.43。因此，我们可以认为回归模型不太实用，只能作为参考。8.参考1蒋启元，谢金星，阿尔弗雷德，数学模型，北京：高等教育出版社，第3版(2008年3月1日)2(美)莫勒，MATLAB数值计算，北京：机械工业出版社，2006-06-01附录a逐步回归分析：清楚的clcx=1176 19422 12210 9696 3064 2684 2668 40432 15122 9696 139772 13882 832 1468 15804；%单面号码I=1；d=；当i=5时d(i,)=x.i；I=I 1；目标h=d。s1=h(:1)；s2=h(:2)；s3=h(:3)；s4=h(:4)；s5=h(:5)；p=888 9714 6091 4850 1527 1342 1336 20223 7564 4850 69922 6909 416 736 7896；%顶点计数s=S1 S2 S3 S4 S5；%数据写入逐步(s，p，5，0.5)；回归模型的参数求解；清楚的clcS1=1176 19422 12210 9696 3064 2684 2668 40432 15122 9696 139772 13882 832 1468 15804；p=888 9714 6091 4850 1527 1342 1336 20223 7564 4850 69922 6909 416 736 7896；s=one(15，1)S1；b=回归(p，s)模型精度测试：清楚的clcs=306412118 15804 2144 1064 5072 4540 4536 9368 7648；p=