數(shù)據(jù)離散化的方法(數(shù)字控制器的離散化方法)
1.數(shù)字控制器的離散化方法有哪些
數(shù)字控制器的離散化方法有
一是將連續(xù)的被控對象離散化--等效的離散系統(tǒng)數(shù)學(xué)模型，然后在離散系統(tǒng)的范疇內(nèi)分析整個閉環(huán)系統(tǒng)；在傳統(tǒng)的模擬控制系統(tǒng)中，控制器的控制規(guī)律或控制作用是由儀表或電子裝置的硬件電路完成的，而在計算機(jī)控制系統(tǒng)中，除了計算機(jī)裝置以外，更主要的體現(xiàn)在軟件算法上，即數(shù)字控制器的設(shè)計上。
二是將數(shù)字控制器等效為一個連續(xù)環(huán)節(jié)，然后采用連續(xù)系統(tǒng)的方法來分析與設(shè)計整個控制系統(tǒng)。相應(yīng)地，在設(shè)計方法上就可以分為：模擬化設(shè)計方法和離散化設(shè)計方法。
2.區(qū)分?jǐn)?shù)據(jù)離散程度的方法有哪些（除了方差,變異系數(shù)）
極差
說明數(shù)據(jù)的波動幅度。
平均差 符合條件
定義：在一組數(shù)據(jù)x1,x2，…，xn中各數(shù)據(jù)與它們的平均數(shù)的差的絕對值的平均數(shù)即這組數(shù)據(jù)的“平均差”。平均差越大，數(shù)據(jù)離散程度越高。
方差
定義：在一組數(shù)據(jù)x1,x2，…，xn中，各數(shù)據(jù)與它們的平均數(shù)差的平方，它們的平均數(shù)，即為這組數(shù)據(jù)的方差。
一組數(shù)據(jù)方差的算數(shù)平方根即為這組數(shù)據(jù)的標(biāo)準(zhǔn)差。
方差和標(biāo)準(zhǔn)差越小 說明數(shù)據(jù)離散程度越低
據(jù)我所知，應(yīng)該沒有了
3.數(shù)值計算方法的離散化
許多時候需要將連續(xù)模型的問題轉(zhuǎn)換為一個離散形式的問題，而離散形式的解可以近似原來的連續(xù)模型的解，此轉(zhuǎn)換過程稱為離散化。例如求一個函數(shù)的積分是一個連續(xù)模型的問題，也就是求一曲線以下的面積若將其離散化變成數(shù)值積分，就變成將上述面積用許多較簡單的形狀（如長方形、梯形）近似，因此只要求出這些形狀的面積再相加即可。
例如在二小時的賽車比賽中，記錄了三個不同時間點(diǎn)的賽車速度，如下表： 時間 0:20 1:00 1:40 km/h 140 150 180 利用離散化的方式，可以假設(shè)賽車在0:00到0:40之間的速度、0:40到1:20之間的速度及1:20到2:00之間的速度分別為三個定值，因此前40分鐘的總位移可近似為（2/3h * 140 km/h） = 93.3 公里。可依此方式近似二小時內(nèi)的總位移為93.3 公里 + 100 公里 + 120 公里 = 313.3 公里。位移是速度的積分，而上述的作法是用黎曼和（英語：Riemann sum）進(jìn)行數(shù)值積分的一個例子。
4.什么叫做離散化請具體一點(diǎn)
Microsoft SQL Server 2005 Analysis Services (SSAS) 中創(chuàng)建數(shù)據(jù)挖掘模型時所用的有些算法需要特定的內(nèi)容類型才能正確運(yùn)行。例如，有些算法（如 Microsoft Naive Bayes 算法）不能使用連續(xù)列作為輸入，即不能預(yù)測連續(xù)值。另外，有些列可能會因包含的值太多而導(dǎo)致算法不易標(biāo)識數(shù)據(jù)中據(jù)以創(chuàng)建模型的相關(guān)模式。
在此類情況下，可以將列中的數(shù)據(jù)離散化，以便可以使用算法來生成挖掘模型。離散化是將一組連續(xù)的數(shù)據(jù)的值放入存儲桶的過程，以便得到可能狀態(tài)的離散數(shù)目。存儲桶本身是作為有序且離散的值處理的。數(shù)值列和字符串列都可以進(jìn)行離散化。
離散化數(shù)據(jù)時，可以使用多種方法。每種方法都能使用以下示例代碼中的公式，自動計算要生成的存儲桶的數(shù)目：
Number of Buckets = sqrt(n)
在上述示例代碼中，n 是列中數(shù)據(jù)非重復(fù)值的數(shù)目。如果不希望由 Analysis Services 計算存儲桶數(shù)目，則可使用 DiscretizationBuckets 屬性來手動指定存儲桶的數(shù)目。
5.什么叫做離散化
Microsoft SQL Server 2005 Analysis Services (SSAS) 中創(chuàng)建數(shù)據(jù)挖掘模型時所用的有些算法需要特定的內(nèi)容類型才能正確運(yùn)行。例如，有些算法（如 Microsoft Naive Bayes 算法）不能使用連續(xù)列作為輸入，即不能預(yù)測連續(xù)值。另外，有些列可能會因包含的值太多而導(dǎo)致算法不易標(biāo)識數(shù)據(jù)中據(jù)以創(chuàng)建模型的相關(guān)模式。
在此類情況下，可以將列中的數(shù)據(jù)離散化，以便可以使用算法來生成挖掘模型。離散化是將一組連續(xù)的數(shù)據(jù)的值放入存儲桶的過程，以便得到可能狀態(tài)的離散數(shù)目。存儲桶本身是作為有序且離散的值處理的。數(shù)值列和字符串列都可以進(jìn)行離散化。
離散化數(shù)據(jù)時，可以使用多種方法。每種方法都能使用以下示例代碼中的公式，自動計算要生成的存儲桶的數(shù)目：
Number of Buckets = sqrt(n)
在上述示例代碼中，n 是列中數(shù)據(jù)非重復(fù)值的數(shù)目。如果不希望由 Analysis Services 計算存儲桶數(shù)目，則可使用 DiscretizationBuckets 屬性來手動指定存儲桶的數(shù)目。
