Cтраница 1
Скорость сходимости алгоритма зависит от величины шумов, наличия импульсных помех и близости начальных оценок параметров к истинным их значениям. В качестве начальных оценок могут быть использованы значения параметров, полученные на какой-либо выборке сигнала по (2.28), или некоторые произвольные значения, такие, что ( tTt) - а, где а - большое число. В [58] рассмотрена работа фильтра при обработке данных многокомпонентного анализа с оценкой параметров дрейфа на фоне шума с корреляционной матрицей Вш [ сг. [1]
Скорость сходимости алгоритма (1.74) будет заметно выше, чем у метода секущих, если характеристика корректируемого тракта выпукла вверх. [2]
Скорость сходимости алгоритма к точке В граничного максимума может быть увеличена. [3]
Скорость сходимости алгоритма ( 52) трудно оценить. Для проверки на реальном примере нужны сведения об основных фондах и оборотных средствах предприятий. Таким реальным материалом мы пока не располагаем. [4]
Скорость сходимости алгоритмов данного типа зависит от: начального приближения; степени преобладания коэффициентов, относящихся к контурным расходам, над коэффициентами для остальных ветвей и, следовательно, от выбора системы независимых контуров. [5]
Оценка скорости сходимости алгоритма коррекции ( 1 - 64) может быть получена из (1.61), (1.62) аналогично описанному выше. [6]
Для изучения скорости сходимости алгоритма был проведен ряд вычислительных экспериментов. [7]
Получение оценок скорости сходимости алгоритмов итеративной регуляризации, как и любых аппроксимаций решений некорректных задач, возможно только при наложении каких-либо дополнительных априорных условий на данные задачи. [8]
Желательно, чтобы скорость сходимости алгоритма была сверхлинейна. [9]
В окрестности экстремальной точки скорость сходимости алгоритма проекции градиента падает, если условный градиент критерия оптимальности мал. Случайные погрешности счета приводят к изменению знака отдельных составляющих градиента. [10]
Существуют различные способы увеличения скорости сходимости алгоритмов стохастической аппроксимации, которые, как мы видим, весьма близки к развитым в предыдущей главе градиентным методам. Быть может, проще всего поддерживать Ю постоянным до изменения знака наблюдаемой величины ( z ( х) или I ( u)), изменяя затем К1 так, чтобы удовлетворить вышеупомянутым ограничениям. Эту схему можно оправдать тем, что вдали от нуля функций Ь ( х) или dQ ( u) / du наиболее вероятны наблюдения одного знака, тогда как в близкой окрестности нуля знак наблюдений будет часто меняться. [11]
Умеда и Ичикава попытались улучшить скорость сходимости алгоритма, принимая в расчет значения минимизируемой функции в каждой вершине комплекса. [12]
Несмотря на то, что скорость сходимости алгоритма (1.24) в общем случае относительно невысока, существует весьма важный круг измерительных задач, для которых свойства алгоритма коррекции (1.24) близки к оптимальным. [13]
Но иногда избыточные параметры повышают скорость сходимости алгоритма. [14]
При произвольном выборе а и а2 в выражении (5.171) скорость сходимости алгоритмов стохастической аппроксимации часто оказывается очень плохой, поэтому важную роль играют способы оптимизации скорости сходимости. [15]