Вектор - наблюдение
Cтраница 1
Вектор наблюдений 163 Возмущения в ХТС 9, 10, 34 импульсные 19, 128 ел. [1]
Вектор наблюдений Y е Н, а белый шум v е L, ре М К, где Н, L, К - конечномерные евклидовы пространства с соответствующими скалярными произведениями и нормами, М - выпуклый центрально - симметричный компакт. [2]
Предположим, что вектор наблюдений представляет собой случайный вектор с условной плотностью вероятности, зависящей от принадлежности этого вектора к определенному классу. Если условная плотность вероятности известна для каждого класса, то задача распознавания образов становится задачей статистической проверки гипотез. [3]
Предположим, что вектор наблюдений представляет собой случайный аектор с условной плотностью вероятности, зависящей от принадлежности этого вектора к определенному классу. Если условная плотность вероятности известна для каждого класса, то задача распознавания образов становится задачей статистической проверки гипотез. [4]
Выборка составляется из векторов наблюдений размерности п q, полученных при TV-кратном повторении эксперимента по схеме латинских квадратов. Все векторы выборки имеют одинаковое математическое ожидание, определяемое в ( 16), что соответствует предположению о наличии постоянных эффектов факторов. Целью является выбор наиболее простой модели, согласующейся с наблюдениями, и получение оценок ее параметров. [5]
 |
Линии уровня правдоподобия и критерии гипотез для примера о проверке правила AS / AQ. [6] |
Здесь X имеет смысл вектора наблюдений. [7]
В случае неизвестных ковариаций вектора выходных наблюдений многомерной стохастической системы задача идентификации включает в себя как оценивание неизвестных параметров системы, так и оценивание неизвестных ковариаций. При решении последней задачи целесообразно учитывать возможные ограничения на структуру ковариаций. [8]
Каждой вершине поставлен в соответствие вектор наблюдений, сумма компонент которого равна нулю, а длина - единице. [9]
В этом случае г играет роль вектора наблюдений в линейной регрессионной модели ( г, RQ, V), ф - вектор ошибок измерений, причем случайные векторы ф и в некоррелированы. [10]
Основным методом решения задач этого типа является усреднение последовательности векторов наблюдения. Этим достигается эффект фильтрации шума и сокращение числа наблюдаемых векторов до одного вектора математического ожидания. Таким образом, возможно, по крайней мере теоретически, получить нулевую ошибку классификации, если векторы математического ожидания двух классов не равны между собой. Однако, поскольку невозможно получить бесконечную последовательность наблюдаемых векторов, то необходимо иметь условие или правило, позволяющее принять решение об окончании процесса наблюдения. Математическим методом решения задач этого типа является аппарат последовательной проверки гипотез, который будет рассмотрен в этом парагафе. [11]
Основным методом решения задач этого типа является усреднение последовательности векторов наблюдения. Этим достигается эффект фильтрации шума и сокращение числа наблюдаемых векторов до одного вектора математического ожидания. Таким образом, возможно, по крайней мере теоретически, получить нулевую ошибку классификации, если векторы математического ожидания двух классов не равны между собой. Однако, поскольку невозможно получить бесконечную последовательность наблюдаемых векторов, то необходимо иметь условие или правило, позволяющее принять решение об окончании процесса наблюдения. Математическим методом решения задач этого типа является аппарат последовательной проверки гипотез, который будет рассмотрен в этом парагафе. [12]
В дальнейшем будем считать, что вектор состояния совпадает с вектором наблюдения. [13]
В дальнейшем для упрощения предполагается, что вектор состояния совпадает с вектором наблюдения. [14]
Аналогичным образом можно применить дискретный детерминированный наблюдатель для дискретного объекта (20.59) р вектором наблюдения гп Нхя. [15]
Страницы: 1 2 3