Рекуррентный алгоритм

Cтраница 2

Для этого могут использоваться рекуррентные алгоритмы восстановления функции, которые каждый период опроса используют в качестве исходной иинформации как текущие значения косвенных показателей, так и текущее значение искомой величины у. Последнее может поступать зашумленное значительной случайной помехой и приходит с запаздыванием, вызванным, например, необходимостью использовать для определения значения у ручные лабораторные методы анализа. [16]

Для этой дисциплины имеется рекуррентный алгоритм вычисления вероятностей состояния памяти и вероятности потери заявок. Вторая приоритетная дисциплина, при которой заполнение памяти производится бесприоритетно в порядке поступления заявок, а выборка приоритетная, аналитически может быть оценена по приближенным формулам только в некотором диапазоне изменения параметров. [17]

Вычисляемая на основе рассмотренного выше рекуррентного алгоритма идентификации ( 15) - ( 18) оценка угла скручивания упругого вала ( 5ат), нагруженного моментами турбины и нагрузки Мт, Мн, может быть использована для определения в реальном масштабе времени величины момента, передаваемого валом СТ к винтам ТВД. [18]

На практике быстрота сходимости описанных рекуррентных алгоритмов адаптации может оказаться недостаточной, поэтому возникает необходимость в акселеризации алгоритмов, направленной на сокращение общего времени адаптации. [19]

Уравнения (11.61) - (11.63) описывают рекуррентный алгоритм с. [20]

В последнем случае наиболее приемлемы рекуррентные алгоритмы, например, на основе метода стохастической аппроксимации. Как известно, объем вычислений, необходимый для оценивания параметров методом стохастической аппроксимации, пропорционален размерности вектора настроечных параметров. Для уменьшения числа настраиваемых параметров может использоваться анализ относительных чувствительностей ПК к параметрам модели. В условиях ограниченности вычислительных ресурсов микроконтроллеров сочетание применения ситуационных моделей, преимуществ методов стохастической аппроксимации и теории чувствительности позволяют решить задачу оперативной идентификации моделей. [21]

Значительный интерес представляет также оптимизация рекуррентных алгоритмов адаптации по отношению к эстиматор-ному функционалу качества. [22]

Ставится и решается вадача равработки рекуррентного алгоритма идентификации ковариационной матрицы шумов в математической модели НПК. Разработка может быть использована в задачах оценивания состой нил непрерывных проиаводственных комплексов для предотвращения расходимости оценок и увеличения скорости их сходимости. [23]

При моделировании динамических систем с использованием рекуррентных алгоритмов (4.7), так же как и в непрерывном случае, необходимы проверки правильности формирования этих уравнений и корректности процесса вычислений. Такой проверкой могут служить вычисление установившегося значения выходной переменной или всех элементов вектора состояний по разностным уравнениям (4.7) и сопоставление результатов моделирования с полученными теоретическими значениями, а также с непрерывным случаем. [24]

Следует отметить, что теоретический анализ рекуррентных алгоритмов идентификации весьма сложен вследствие их нелинейности и нестационарности. В работе [23.17] было показано, что асимптотические свойства оценок, получаемых с помощью таких алгоритмов, можно приближенно описать посредством разностного уравнения первого порядка с параметрами, зависящими от времени. [25]

ГКМ, даже в сочетании с рекуррентными алгоритмами адаптации получаемых моделей, в силу сложности, трудоемкости процедур, больших временных затрат при отсутствии гарантий на полной успех не может в полной мере служить базой для моделирования. [26]

График весовой функции h ( t наблюдений для метода скользящего среднего.| График весовой функции h ( t наблюдений для метода взвешенного скользящего среднего. [27]

Значительно меньшие требования к объему памяти предъявляют рекуррентные алгоритмы. [28]

Однако для программирования на ЭВМ более удобны рекуррентные алгоритмы. Эти алгоритмы отличаются тем, что для вычисления текущего значения управляющей переменной u ( k) используются ее предыдущее значение u ( k - 1) и поправочный член. [29]

В работе [23.22] было проведено сравнение модифицированных рекуррентных алгоритмов идентификации по продолжительности вычислений, требованиям к памяти, сходимости и точности оценок. Программы алгоритмов идентификации были составлены на языке Фортран и выполнялись на 16-разрядной управляющей ЭВМ. Основные результаты исследования представлены в табл. 23.8.1. Для сравнения в ней приведены также соответствующие показатели для РМНК. В то же время он требует значительно больше памяти, чем другие алгоритмы, и весьма чувствителен к выбору исходных значений. При несколько большем объеме измерений очень точные оценки параметров дает дискретный алгоритм фильтрации по методу квадратного корня. Однако на начальном этапе его оценки характеризуются значительной колебательностью, что делает этот алгоритм не слишком удобным для применения в адаптивных системах управления. В целом наилучшие показатели демонстрирует модифицированный алгоритм фильтрации по методу квадратного корня, но для типовых объектов он незначительно превосходит РМНК-Лишь в тех случаях, когда требуются оценки повышенной точности, а использование РМНК сопряжено с трудностями вычислительного характера, можно рекомендовать МФКК. [30]

Страницы: 1 2 3 4