Рекуррентное оценивание

Cтраница 1

Рекуррентное оценивание переменных и параметров в стохастических системах, описываемых разностными уравнениями / / Докл. [1]

Процесс рекуррентного оценивания, когда поправка после каждого опыта зависит только от результата этого опыта и предыдущей оценки, называется стохастической аппроксимацией. Общая теория стохастических аппроксимаций была заложена работой Роббинса и Монро [92] и развита в последующих работах Кифера и Вольфовица [36], Блюма [5, 6] и многих других, хотя, как мы видели, метод стохастических аппроксимаций был известен и применялся задолго до создания общей теории. [2]

Разъясним основную идею рекуррентного оценивания на простейшем примере оценивания математического ожидания случайной величины. [3]

После того как в режиме рекуррентного оценивания на обучающей выборке BI определены коэффициенты модели и оптимальные значения констант модели Gb G2 и построенная таким образом модель доказала свою пригодность на проверочной выборке В2, дальнейший выбор режима проводится по значению рассогласования y [ k l ] - ilpj ( [ k l ] Cj [ k ]) KO. Если К0 %, т.е. нет больших возмущений и изменений в технологии процесса, то решается задача коррекции. В этом случае при каждом очередном поступлении значений входных воздействий по формулам ( 254) корректируется вектор коэффициентов, и рассчитанные прогнозные значения управляющих переменных используются для управления процессом. [4]

В некоторый момент времени следует начинать процесс рекуррентного оценивания. Это означает, что параметры J30, P0 следует выбирать на основании имеющейся в этот момент информации. [5]

Алгоритм ( 254), кроме описанного режима рекуррентного оценивания коэффициентов модели, может также работать в режимах коррекции и адаптации. [6]

В данной статье исследуется стохастический градиентный алгоритм для рекуррентного оценивания параметров нелинейного стохастического динамического объекта класса Гаммерштейна с разными видами помех, которые присутствуют на выходе объекта. Один вариант - это представление помехи в виде суперпозиции двух случайных последовательностей, одна из которых является мартингальной, а вторая - произвольная с конечной дисперсией. Второй вариант имеет вид скользящего среднего с конечной корреляционной функцией. Для обоих вариантов найдены необходимые и достаточные условия сходимости стохастического градиентного алгоритма. Оценена его скорость сходимости. С применением этих результатов в задаче слежение определяется адаптивная управления, которое является оптимальным в том смысле, что в асимптотике ошибка слежения за выходом объекта минимальна и оценки параметров сильно состоятельны. [7]

Характеристики средней точности оценивания величины утла скручивания упруго вала дат. [8]

На рис. 4 представлены результаты статистического исследования точности работы предложенного алгоритма рекуррентного оценивания угла упругого скручивания вала ТВД в установившемся режиме, которому соответствует. Здесь каждая точка графика Д5ат ( ст) является результатом осреднения относительной ошибки оценивания 5ат для ста независимых наблюдений указанных выше процессов длительностью 4с при 7 0.2 с и частоте съема сигнала с датчика оборотов 625 Гц. Второй график Р01 ( сг) на рис. 4 описывает вероятность получения плохих оценок, ошибка вычисления которых превышает 10 % от истинного значения определяемой величины. [9]

Это оказалось связанным с наличием в моделях параметра гза % имеющего резко выделяющиеся точки, которые отрицательно влияли на результирующую точность рекуррентного оценивания. [10]

Но из-за того, что при вычислении априорной плотности вероятности используется суммирование, свойство воспроизводимости утрачивается для всех плотностей, включая нормальную, и уже нельзя ограничиться оценкой набора параметров: мы должны иметь дело с рекуррентным оцениванием многомерных функций. [11]

В седьмой главе излагается общая теория оценок параметров распределений и основные методы нахождения оценок-метод максимума правдоподобия и метод моментов. Изучается рекуррентное оценивание корня уравнения регрессии и точки экстремума регрессии методом стохастических аппроксимаций. [12]

В главе 7 излагается общая теория оценок параметров распределений и основные методы нахождения оценок - метод максимума правдоподобия и метод моментов. Изучается рекуррентное оценивание корня уравнения регрессии и точки экстремума регрессии методом стохастических аппроксимаций. [13]

Обработка на / п - й модели оптимальных значений констант адаптации G и Gall. На обучающей выборке BI пределяются коэффициенты модели при помощи алгоритма рекуррентного оценивания. [14]

В классе самооптимизирующихся адаптивных регуляторов с идентификацией объекта управления недуальные методы, основанные на принципе стохастической эквивалентности и рекуррентном оценивании параметров, зарекомендовали себя положительно как в теории, так и в практике. Следует различать понятия самонастраивающийся и адаптивный, поскольку использование первого предполагает постоянство параметров объекта управления. Однако при анализе применения этих терминов выясняется, что разграничения между ними не делается, поэтому будем считать, что различия между ними второстепенны. [15]

Страницы: 1 2