Cтраница 1
Априорная плотность вероятности этого параметра Л - принимается равномерной в некотором интервале значений. В дальнейшем рассматривается в основном случай полностью известного сигнала. Однако ряд полученных результатов остается справедливым и для радиосигналов со случайной начальной фазой. [1]
Априорная плотность вероятности искомой функции у равна ( ср. [2]
Если наблюдателю известна априорная плотность вероятности сигнала w ( S), то производимая оценка носит название безусловной оценки. Если w ( S) неизвестна, то имеем дело с условной оценкой. [3]
Обычно наибольшую трудность составляет получение априорной плотности вероятности Д ( К) полезного сигнала. [4]
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. [5]
Как было показано в предыдущих главах, удобнее иметь дело с априорной плотностью вероятности, а не с апостериорной плотностью. [6]
Заметим, что теорема Бейеса перестает быть теоремой и становится просто правилом, если априорные плотности вероятностей р ( zip), р ( Р) являются оценками. [7]
![]() |
Структурная схема системы автоматического управления. [8] |
Будем считать, что х ( 0) есть случайный вектор начальных фазовых координат, с заданной априорной плотностью вероятностей. [9]
Вся эта задача может быть строго сформулирована как задача объединения имеющихся предварительных сведений о случайной величине 0 в виде априорной плотности вероятности р ( 0) с новыми статистическими сведениями, полученными в результате измерения, проведенного с отдельным объектом из генеральной совокупности. [10]
Однако в начальный момент времени 0 tN до замера первого вектора обратной связиyNслучайный вектор XN JC ( 0) имеет нормальную априорную плотность вероятностей. [11]
Заметим, что в рамках байесовского подхода при неизвестных параметрах законов распределения эти параметры должны рассматриваться как случайные величины и необходимо задавать априорную плотность вероятности этих случайных величин. В частности, определение подходящего значения параметра регуляризации в рамках байесовского подхода невозможно, если не задавать априорное распределение возможных значений этого параметра. [12]
В простейшем случае пространство исходных изображений / ( х) является конечномерным. Рп - Априорная плотность вероятности в этом случае задана в пространстве параметров, и оптимальное восстановление исходного изображения состоит в отыскании точки р, в которой апостериорная плотность вероятности Rno ( р) достигает максимума. [13]
Заметим, что в рамках ОММП возможен учет априорной информации экспертного характера об искомом векторе, когда на основе опыта исследователя ( опыта решения предыдущих аналогичных задач или иных соображений экспертного характера) задается возможное случайное априорное экспертное расположение искомого вектора. В рамках байесовского подхода экспертное расположение искомого вектора задается априорной плотностью вероятности самого искомого вектора. [14]
Обращаясь к теореме Бейеса (5.149), можно видеть, что распределение шума п часто известно. Следовательно, известна также и плотность вероятности р ( z p), но априорная плотность вероятности р ( ji) часто неизвестна и поэтому предполагается равномерной. [15]