Оценивание - параметр - модель
Cтраница 1
Оценивание параметров модели произведено по алгоритму рекурсивной фильтрации для многомерного случая. [1]
Рекуррентный метод наименьших квадратов может быть использован и для оценивания параметров моделей случайных сигналов. [2]
В частности, авторы подчеркивают принцип адаптивного оптимального управляющего устройства, чтобы показать тесную взаимосвязь между оцениванием параметров модели, оцениванием состояний и вычислениями оптимального управления. [3]
Ввиду того, что продолжительность периода наблюдений недостаточна для получения надежных статистических выводов, и / или процесс может отклониться от стационарного режима, при оценивании параметров модели часто требуют ее соответствия экспертным оценкам, а уже затем - результатам наблюдений. То есть этот метод прогнозирования использует субъективные предпочтения экспертов. [4]
Как показал опыт, возможности применения современной теории управления к сложным промышленным объектам ограничиваются главным образом быстродействием существующих вычислительных машин, применяемых при проведении вычислений, необходимых для оценивания параметров модели, состояний системы и оптимального З правления. Следовательно, применение эффективных вычислительных процедур дает большую выгоду. [5]
Для оценивания параметров бинарного взаимодействия моделей, а следовательно, и для дальнейших расчетов, могут использоваться как полные экспериментальные данные ( X-Y-T-P), так и неполные данные ( X - Т - Р, X-Y-P, X-Y-T), полученные в изобарических или изотермических условиях. В азеотропных смесях для оценивания параметров модели достаточно информации об азеотропной точке. [6]
Наиболее широкое распространение на практике находят метод наименьших квадратов и принцип максимального правдоподобия. Кроме того, применяются некоторые другие методы оценивания параметров моделей. [7]
В этом случае решение задачи еще более затруднено по сравнению с предыдущим. Приближенное решение может заключаться в разбиении задач оптимизации на три подзадачи: задачу оценивания состояния объекта, задачу оценивания параметров модели и задачу определения оптимальных управляющих воздействий. Такая упрощенная задача может быть реализована рассмотренным далее алгоритмом стохастической адаптивной оптимизации. [8]
Модели фазового равновесия на основе четырех уравнений локальных составов получают во втором блоке. По экспериментальным или квазиэкспериментальным ( полученным по модели UNIFAC) данным выполняется точечное или интервальное ( при наличии дисперсий измерений) оценивание параметров моделей. Здесь же проверяется, при наличии дополнительных экспериментальных данных, прогностическая способность параметров моделей. [9]
В общем аспекте можно рассмотреть задачу построения наиболее простой модели ковариаций, согласующейся с наблюдениями, когда ковариационная матрица вектора выходных наблюдений системы принадлежит линейной оболочке нескольких заданных матриц. Построение модели состоит из выбора класса моделей путем последовательной проверки гипотез о ее принадлежности линейным подпространствам в этой линейной оболочке и оценивания параметров модели в выбранном классе на основании имеющихся наблюдений. Здесь эта задача решается, когда исходная линейная оболочка наделена структурой коммутативной матричной алгебры. [10]
Динамические поля, полученные в результате обработки временных рядов наблюдений на нерегулярной сетке. Для построения могут быть использованы следующие методы пространственно-временной обработки: метод интерполяции на основе потенциалов, метод кригинга, метод зональной интерполяции, метод оценивания параметров модели очаговой зоны. [11]
Рассмотренные ранее методы оптимизации относятся к классу нерекуррентных методов, или методов пакетной ( групповой) обработки. Термин пакетная обработка подразумевает использование всего множества экспериментальных данных ZN на каждой итерации алгоритма оптимизации выбранной модельной структуры. Однако в ряде случаев необходимо идентифицировать систему в режиме реального времени по мере поступления измерений. Методы идентификации, пригодные для использования в реальном масштабе времени для адаптивного оценивания параметров модели по текущим данным, носят название рекуррентных. [12]
 |
Адаптивная система управления с третьим иерархическим уровнем. [13] |
Кроме того, координирующая обратная связь позволяет контролировать работу контура адаптации, особенно когда режим функционирования системы приводит к нарушениям условий устойчивости и сходимости. Примером таких режимов может служить слишком быстрое изменение параметров объекта управления или отсутствие надлежащего сигнала, позволяющего провести оценку параметров. В последнем случае может случиться так, что модель испортится ( заснет) со временем до тех пор, пока изменения алгоритма управления не приведут к нарушению устойчивости контура. В результате на входе объекта управления появится сигнал, похожий на всплеск, вновь заработает процедура оценивания параметров модели и адаптивный контур станет устойчивым. [14]
В случае многофакторных схем наблюдений представление ковариационной матрицы разложением с неизвестными коэффициентами по системе заданных матриц может быть обусловлено линейной моделью независимых вкладов случайных эффектов факторов в компоненты вектора наблюдений. В этом случае ковариационная матрица принадлежит линейной оболочке единичной матрицы и матриц факторов. Отсутствие случайных эффектов у части факторов приводит к принадлежности ковариационной матрицы некоторому линейному подпространству этой линейной оболочке, т.е. к более простой модели ковариаций. Выбор класса является первым шагом в построении полной модели ковариаций. Вторым шагом является оценивание параметров модели в выбранном классе. [15]
Страницы: 1