Cтраница 2
Свойство сходимости алгоритма НК, определяемого (11.1.11), управляется параметром размера шага А. [16]
Исследование сходимости алгоритма спуска удобно начать с варианта, более легкого для анализа. Вместо определения ай по всем выборкам и осуществления коррекции по множеству классифицируемых с ошибкой выборок 3 / ь выборки будут рассматриваться последовательно, и весовой вектор будет изменяться всякий раз, когда некоторая выборка будет классифицироваться с ошибкой. Для доказательства сходимости подробная характеристика данной последовательности неважна, коль скоро каждая выборка появляется в последовательности бесконечно большое число раз. Наиболее просто убедиться в этом, повторяя выборки циклически. [17]
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. [18]
Пауэлл доказал сходимость алгоритма для любой функции / ( х), матрица Гессе которой положительно определена при всех х; однако функции, к которым применяется алгоритм, редко удовлетворяют этому условию. Известно, что сходимость метода быстрее линейной. [19]
Для доказательства сходимости алгоритма мы предполагаем, что функции f и gi непрерывны и что оптимальная точка существует. Функция Р ( х) обычно может быть выбрана так. [20]
На доказательства сходимости алгоритмов было затрачено много сил, и сейчас мы в целом представляем, что требуется, чтобы можно было доказать сходимость к решению последовательности оценок, полученных в результате работы алгоритма. [21]
Для исследования сходимости алгоритма идентификации наряду с системой ( 1), ( 2) рассматривается система сравнения. [22]
Оценка скорости сходимости алгоритма коррекции ( 1 - 64) может быть получена из (1.61), (1.62) аналогично описанному выше. [23]
Исследованы области сходимости алгоритмов первого и второго порядков. [24]
Рассмотрите доказательство сходимости алгоритма итераций по критерию при О SC а 1, приведенное в материалах повышенной трудности в конце разд. [25]
Основными требованиями сходимости алгоритмов стохастической оптимизации являются ограниченность и замкнутость решения целевой функции, требования, накладываемые на асимптотическую скорость изменения шаговых множителей [ см. условия (3.4) ], а также ряд естественных предположений относительно ограниченности влияния случайных помех. [26]
Остается доказать только сходимость алгоритма. [27]
Нужно только доказать сходимость алгоритма. [28]
Худа к Ю. И. О сходимости регуляризирующих алгоритмов. [29]
Этим и обусловливается сходимость алгоритмов регионального проектирования СПД. [30]