Cтраница 2
Тартер, Холкомб и Кронмел ( 1967) предложили использовать для оценки плотности распределения вероятностей разложение в ортогональные ряды. Метод потенциальных функций соотнесен с адаптивными методами и методами стохастической аппроксимации, рассмотренными в гл. Большинство из этих методов связано с получением апостериорных вероятностей. Однако Цыпкин ( 1966) и Кашьяп и Блайдон ( 1968) показали, что теоретически их также можно использовать для оценки плотностей распределения. [16]
Управление с применением адаптации - новая увлекательная наука, изучающая процессы управления, в которых система сама влияет на течение процесса и одновременно изучает его неизвестные стороны. Не останавливаясь подробно на способах оптимального получения а - адаптивными методами, наметим лишь схему их использования. [17]
Применим этот подход к задаче синтеза адаптивных методов обработки световых сигналов, когда локация осуществляется при наличии фазовых искажений, статистическое описание которых не известно. Предварительно заметим, что фактически все разрабатываемые в настоящее время адаптивные методы видения через турбулентную среду могут быть разделены на две группы. К первой относятся те, в которых осуществляется измерение фазового распределения в световом сигнале, приходящего от точечного источника. По этой информации специальные компенсирующие устройства исправляют фазу поля, принимаемого от протяженного объекта. Естественно, что последний должен находиться в изопланатичной по отношению к точечному источнику области. Весь описанный процесс осуществляется за время, не превышающее время замо-роженности атмосферы. [18]
Для малого числа наблюдений ( п20) рекомендуется использовать оптимальные и регрессионные алгоритмы. Для числа наблюдений свыше 100 для нестационарных процессов более эффективными становятся адаптивные методы. [19]
В принципе от адаптивного метода необходимо требовать, чтобы коэффициент экспоненциального сглаживания а, теоретически лежащий в пределах от 0 до 1, увеличивался при большей изменчивости данных и уменьшался при их стабилизации. Это требование полностью соответствует замечанию, сделанному в начале главы: адаптивные методы должны активно реагировать на колебания ряда данных, что в случае экспоненциального сглаживания должно отражаться на коэффициенте сглаживания а. Определив, как необходимо должна изменяться константа экспоненциального сглаживания, мы видим, что в качестве этой константы можно взять просто абсолютное значение контрольного сигнала Тригга. [20]
Одновременно растет уровень программного обеспечения. В частности, в связи с тем что теплогидравлические свойства регулируемых систем меняются во времени, используются адаптивные методы, которые вносят изменения в стандартные программы. [21]
Теория дает методы определения оптимальных R и Т при заданных характеристиках спроса. На практике характеристики детерминированного или случайного спроса известны не всегда. Поэтому делаются попытки развивать адаптивные методы У. В тех случаях, когда классич. [22]
Для некоторых задач возможно использование нескольких эвристических гипотез, определяющих рациональные направления поиска решений, причем их эффективность может быть различной. В таких условиях возникает задача выбора рациональной композиции эвристических процедур, которые дают наилучший эффект для данных условий. В этом случае удобно использовать адаптивные методы организации поиска, при которых композиция эвристических процедур формируется из заданного множества в процессе решения задачи с учетом успешности использования создаваемых композиций на предыдущих этапах поиска. [23]
Другая группа специалистов ( главным образом вне промышленности) возлагала надежды только на адаптивные методы, которые, помимо всего прочего, очень медленны для достижения успеха при обычных режимах процесса. [24]
Если параметры входят в модель нелинейно, то можно непосредственно применить один из методов поиска минимума функции невязки значений выходных координат модели и объекта, В связи с этщ описан один из эффективных в данном случае методов - метод сопряженных направлений. Он применяется для получения моделей как статики, так и динамики объекта. Построение нелинейных моделей динамики может осуществляться также с помощью метода квазилинеь-ризации или прямого метода Ляпунова, приводимых далее. После втого рассматриваются адаптивные методы идентификации. [25]
Как видно, адаптивность этого метода получена за счет повышения риска утери глобального экстремума. Это обстоятельство характерно для всех адаптивных методов глобального поиска. Следует отыскивать состояние, показатель качества которого достаточно близок к значению показателя в глобальном экстремуме. Такую задачу могут решить адаптивные методы глобального поиска. [26]
Сбор, обработка и запоминание информации в процессе создания моделей окружения представляют собой одну из простых форм обучения. Другой формой является использование переменных весовых коэффициентов, на основе которых выбирается стратегия и тактика действий, эти коэффициенты автоматически изменяются в зависимости от успеха или неудачи. Третья форма обучения заключена в адаптивных методах распознавания образов. Большое число известных фигур предъявляется различающим логическим цепям распознаваю-щего устройства, и параметры этих цепей автоматически изменяются в зависимости от правильного или ошибочного решения. По мере тренировки качество распознавания улучшается до предела, который зависит от многих факторов, прежде всего от выбора признаков каждой фигуры. После обучения машина может классифицировать не встречавшиеся ей ранее фигуры, сходные с использованными в процессе обучения. Это дает возможность тренировать визуальную систему робота на неизвестных ему объектах. [27]
Второй комплекс Определение выходных характеристик КС на основе диспетчерских данных позволяет построить математические модели для расчета значений давления и температуры на выходе из КС с охлаждением газа. Комплекс включает в себя три программных модуля, которые рассчитывают и выдают в качестве выходной информации коэффициенты регрессионных моделей КС-АВО. Расчеты по данному комплексу целесообразно проводить ежедневно, используя поступившую за сутки информацию. Так как комплекс позволяет рассчитывать выходные характеристики без учета схемы соединения ГПА, то необходимо определять коэффициенты уравнений регрессии для различных технологических обвязок КС с тем, чтобы при расчетах, применяя адаптивные методы, достаточно быстро подстроить модель по реальному процессу. [28]
Разработка прогноза методом прямой экстраполяции основана на допущении неизменности значений коэффициентов уравнения, описывающего тренд параметра как на участке ретроспекции, так и на участке прогнозирования. При этом предполагается, что все точки, по которым изучается тренд, имеют одинаковую ценность и используются в вычислениях с одинаковым весом. Однако в ряде ситуаций в течение анализируемого периода коэффициенты уравнения могут меняться во времени, а последним значениям динамического ряда следует придать больший вес по сравнению с более ранними наблюдениями. В этом случае целесообразно использовать тот математический аппарат, который дает возможность автоматически распознать изменение модели. Этой цели служат адаптивные методы экстраполяции. [29]
Анализ, приводимый в данной работе, не является абсолютно строгим в математическом смысле. Необходимо предположить, что параметры системы меняются достаточно медленно и, следовательно, могут считаться практически постоянными. Кроме того, предполагаем, что взаимодействием между цепями управления и адаптации можно пренебречь, а усреднение по времени в бесконечных пределах может заменяться суммированием. Справедливость высказанных предположений для инженерных целей подтверждается тем, что адаптивные методы, которые получаются из предлагаемого общего метода, много раз успешно демонстрировались практически. [30]