§ 3.25. Заключение

Мы познакомились с вероятностными итеративными методами и, в частности, с методом стохастической аппроксимации, которые лежат в основе развиваемой концепции адаптации и обучения в автоматических системах. Эти методы позволили нам построить разнообразные алгоритмы адаптации,  минимизирующие явно не заданные функционалы но измеряемым или наблюдаемым реализациям. То обстоятельство, что достижение минимума функционала, т. е. определение оптимального вектора , требует времени,— печальный, но неизбежный факт, который представляет собой плату за сложность задачи и присущую ей неопределенность. Вспомним регулярный подход при минимизации известного функционала с помощью алгоритмов оптимизации,— он также требует времени.

Из изложенного можно сделать вывод, что характерная особенность адаптации и обучения состоит в последовательном накоплении и использовании текущей информации с целью устранения неопределенности, вызванной недостаточностью априорной информации.

Теперь наступило время показать, что изложенная концепция адаптации и обучения позволяет взглянуть на разнообразные задачи с некоторой общей точки зрения, которая не только их объединяет, но и дает эффективный метод их решения. Именно этому и посвящены все остальные главы книги.