Оценка - параметр - модель
Cтраница 1
Оценки параметров модели (4.56) рассчитывают по специальным формулам. [1]
Оценка параметров модели основана на отыскании такого вектора 9, который минимизирует ( или максимизирует) некоторую скалярную функцию от ошибок наблюдения. Вид этой функции, а также численные значения оценок параметров зависят от того, какой именно метод взят за основу. [2]
Оценки параметров модели находят путем обработки данных испытаний. В рамках МЭК методология анализа моделей роста надежности закреплена стандартом МЭК 1014 ( 1989) Программы роста надежности. Соотношение между ростом надежности и необходимым объемом испытаний позволяет принять решение о завершенности отработки. [3]
 |
График весовой функции h ( t наблюдений для метода скользящего среднего.| График весовой функции h ( t наблюдений для метода взвешенного скользящего среднего. [4] |
Оценки параметров модели вычисляются по методу наименьших квадратов, причем используются лишь N последних наблюдений. [5]
Оценку параметров моделей с распределенными лагами можно проводить согласно одному из двух методов: методу Койка или методу Алмон. [6]
Для оценки параметров модели используем первые 56 наблюдений. [7]
Рассмотрим оценку параметров моделей с застойными зонами. [8]
При оценке параметров модели удобно использовать следующую стратегию поиска. Для температуры Т Т0 рассчитанные по модели величины р ( /), p ( l), p ( как и другие термодинамические свойства, не связанные с производными по температуре) не зависят от параметров hs t, cs t, а определяются значениями ws t и геометрическими параметрами модели. Согласно сформулированной модели, геометрические параметры не зависят от температуры. [9]
При оценке параметров модели ( 7) использовался специальный метод устранения нежелательных эффектов, свойственных пассивному эксперименту, позволяющий исключить локальные оптимуш. [10]
Что касается оценки параметров моделей, то классические методы идентификации здесь, как и в модели верхнего уровня, неприменимы, поскольку предполагают определенную избыточность информации об объекте, либо возможность многократного экспериментирования с объектом для достижения этой избыточности. В данном случае информационная ситуация прямо противоположна: моделируется объект, для которого в лучшем случае известна предыстория изменения его показателей при определенном внешнем воздействии и имеется значительное количество разрозненной неорганизованной информации в виде отчетов различных организаций, постановлений, писем о нарушениях, принятых мерах и т.п. В то же время число неизвестных параметров измеряется десятками и даже сотнями. Поэтому была применена совершенно иная схема оценки, которая основана на наблюдении не всей системы в целом, а отдельных ее элементов или аналогов этих элементов, с которыми связаны отдельные неизвестные параметры или их небольшие группы. Этого можно достичь путем организации целенаправленных экспериментов, в том числе мысленных, или натурных наблюдений, которые достаточно хорошо отражают функционирование выделенных элементов и могут проводиться независимо друг от друга. Содержательный смысл искомых параметров в сочетании со структурой модели подсказывает, какие элементы следует выделять и какие эксперименты проводить. [11]
Если для оценки параметров модели используется поисковый метод, то для построения плана дополнительного эксперимента удобно использовать анализ корреляционных зависимостей параметров. При этом для уменьшения коэффициента корреляции i j / ft следует изменить начальные условия тех компонентов, совместно с которыми г-й и / с-й параметры входят в выражение скорости реакции. Наилучший план дополнительного эксперимента находится из условия одновременной минимизации максимального коэффициента корреляции и максимальной величины отношения О - / СТА. [12]
Что касается оценки параметров моделей, то классические методы идентификации здесь, как и в модели верхнего уровня, неприменимы, поскольку предполагают определенную избыточность информации об объекте, либо возможность многократного экспериментирования с объектом для достижения этой избыточности. В данном случае информационная ситуация прямо противоположна: моделируется объект, для которого в лучшем случае известна предыстория изменения его показателей при определенном внешнем воздействии и имеется значительное количество разрозненной неорганизованной информации в виде отчетов различных организаций, постановлений, писем о нарушениях, принятых мерах и т.п. В то же время число неизвестных параметров измеряется десятками и даже сотнями. Поэтому была применена совершенно иная схема оценки, которая основана на наблюдении не всей системы в целом, а отдельных ее элементов или аналогов этих элементов, с которыми связаны отдельные неизвестные параметры или их небольшие группы. Этого можно достичь путем организации целенаправленных экспериментов, в том числе мысленных, или натурных наблюдений, которые достаточно хорошо отражают функционирование выделенных элементов и могут проводиться независимо друг от друга. Содержательный смысл искомых параметров в сочетании со структурой модели подсказывает, какие элементы следует выделять и какие эксперименты проводить. [13]
Для уточнения оценки параметров модели ставится вторая задача планирования эксперимента, основанная на принципах активной идентификации. Второй подход заключается не только в синтезе оптимального сигнала, но и в выборе оптимальной экспериментальной схемы. [14]
Обычно для определения оценок параметров модели пользуются аппаратом регрессионного анализа. [15]
Страницы: 1 2 3 4