Нейросетевая реализация процедуры идентификации динамических систем

• Автор: Гаврилов, Александр Игоревич
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2000
• Место защиты: Москва
• Количество страниц: 214 с.

ГЛАВА 1. ГЛАВА 2. Основные этапы процедуры идентификации

стр. ГЛАВА 3. Н,9, 1 Н ч,в Я0. О е . Следует отметить, что последние соотношения определяют уже не одну модель, а множество моделей В этом случае целью процедуры оценивания является выбор некоторого элемента этого множества, наиболее удовлетворяющего поставленной цели. Используя формулу 1. Обозначим его через 0, подчеркнув тем самым зависимость от в. Таким образом, получим
Этот предсказатель не зависит от плотности x,6. Таким образом, характерной особенностью прогнозирующих моделей является их задание только операторами и Н, например, в уравнениях 1. Далее рассмотрим различные способы введения в в описание 1. Наиболее естественным способом параметризации и Н является представление их рациональными функциями, когда параметрами становятся коэффициенты в числителе и знаменателе. Я0 1 у 1 . Поскольку в это уравнение белый шум входит как его непосредственная ошибка, модель 1. Л 1 1 Ч,4а. Модель 1. АЯХмоделью, где сочетание АЯ относится к авторегрессионной части Афу1, а символ X обозначает дополнительный входной сигнал Вфи1.

Основные этапы процедуры идентификации

стр. ГЛАВА 3. Н,9, 1 Н ч,в Я0. О е . Следует отметить, что последние соотношения определяют уже не одну модель, а множество моделей В этом случае целью процедуры оценивания является выбор некоторого элемента этого множества, наиболее удовлетворяющего поставленной цели. Используя формулу 1. Обозначим его через 0, подчеркнув тем самым зависимость от в. Таким образом, получим
Этот предсказатель не зависит от плотности x,6. Таким образом, характерной особенностью прогнозирующих моделей является их задание только операторами и Н, например, в уравнениях 1. Далее рассмотрим различные способы введения в в описание 1. Наиболее естественным способом параметризации и Н является представление их рациональными функциями, когда параметрами становятся коэффициенты в числителе и знаменателе. Я0 1 у 1 . Поскольку в это уравнение белый шум входит как его непосредственная ошибка, модель 1. Л 1 1 Ч,4а. Модель 1. АЯХмоделью, где сочетание АЯ относится к авторегрессионной части Афу1, а символ X обозначает дополнительный входной сигнал Вфи1. Подставив 1. ВЧи1 1Аду0. КО У 1,. Тогда 1. Прогнозирующая модель представляет собой скалярное произведение известного вектора данных ср и вектора параметров что соответствует традиционному случаю линейной регрессии с регрессионным вектором р1. Этот класс моделей представляет особый интерес, потому что для определения вектора параметров в возможно использовать эффекгивные и простые методы оценивания, например метод наименьших квадратов МНК 1. Кф9Т0 К0.