Cтраница 1
Модель наблюдения выражается одним скалярным уравнением. Информационная матрица в этом случае превращается в скалярную величину. В статье [137] обсуждаются свойства информационных матриц, рассматривается случай, когда параметры являются случайными. [1]
Модели наблюдений и системы линейны. [2]
Тогда модель наблюдений имеет вид: QtQt & Qt, где Qt - результат измерения вектора Qt, NQt - ошибка наблюдения. [3]
Для линейно-гауссовской модели наблюдения (6.34), (6.35) уравнения нелинейной фильтрации превращаются в уравнения (6.36), (6.37) фильтра Калмана. [4]
В заключение рассмотрим ситуацию, когда модель наблюдения (6.34), (6.35) является стационарной, а разностное стохастическое уравнение (6.34) - асимптотически устойчивым. [5]
Эти условия допускают не-гауссовский характер возмущающих воздействий и нелинейный вид модели наблюдений. Линейность уравнения ( 6) самого управляемого процесса и квадратичная форма функций потерь в функционале ( 13) сохраняются. [6]
В силу того, что характеристики погрешностей наблюдений заданы неточно, модель наблюдения ( 1) естественно назвать неопределенно - стохастической линейной моделью наблюдения. [7]
Следующие примеры показывают применение этого результата в задачах оценивания неизвестных параметров моделей наблюдения. [8]
Заметим, что параметры могут входить в модель состояния системы и в модель наблюдения. Кроме того, они могут входить также и в начальные или граничные условия. Это равноценно тому, что те или иные дополнительные условия нам неизвестны, и мы должны определить их наилучшие оценки. В таком случае, помимо указанных выше производных, для составления выражения информационной матрицы плана необходимы еще производные от переменных состояния по неизвестным параметрам, содержащимся в дополнительных условиях. [9]
Если f ( xn x - l s f ( xn x - sn), то модель наблюдения Хп - Ф ( Х - 1 8п г ] п) является динамической. [10]
Как видно из уравнений (4.34) - (4.35), неизвестные параметры входят в уравнения состояния, краевые условия и в модель наблюдения. [11]
Здесь приводятся условия, при которых некоторые преобразования ( статические и динамические) над процессами с сильным перемешиванием ( с.п.) снова приводят к процессам с с.п. Эти условия будут использоваться в дальнейшем для формирования моделей наблюдений в задачах непараметрической обработки сигналов. [12]
Хотя в отличие от модели I наблюдения Х ( е) здесь зависимы, но квадратические формы, используемые при окончательных выводах, по-прежнему образуют достаточную статистику. [13]
Доклад [45] посвящен рассмотрению задачи, близкой по постановке к той, которая разобрана выше. Анализируется достаточно общий случай: модель системы выражается векторным дифференциальным уравнением; модель наблюдения является много-откликовой; эти выражения содержат набор параметров, подлежащих определению; функция управления предполагается векторной. Авторы этой работы использовали критерий оптимальности, отличный от критерия D-оптимальности. Они рекомендуют критерий, представляющий собой произведение диагональных элементов информационной матрицы. Однако в вычислительном отношении этот критерий мало удобен, поэтому данная экстремальная задача заменяется эквивалентной, в которой максимизируется взвешенный след информационной матрицы. [14]
Частно-дифференциальные модели могут использоваться, когда сигналы и отклики дискретны или непрерывны. Параметры модели могут содержаться в самом дифференциальном уравнении, в краевых условиях, а также в уравнении модели наблюдений. [15]