Пред.
След.
Макеты страниц
Распознанный текст, спецсимволы и формулы могут содержать ошибки, поэтому с корректным вариантом рекомендуем ознакомиться на отсканированных изображениях учебника выше Также, советуем воспользоваться поиском по сайту, мы уверены, что вы сможете найти больше информации по нужной Вам тематике ДЛЯ СТУДЕНТОВ И ШКОЛЬНИКОВ ЕСТЬ
ZADANIA.TO
§ 3.4. Одномерные абсолютно оптимальные и оптимальные алгоритмы и их свойстваПростейшей задачей идентификации является задача оценки постоянной величины, наблюдаемой на фоне помех
где
где с — скалярная оценка. Это — наиболее простой, вырожденный вид статической модели. Оптимальные средние потери в такой задаче имеют вид
где
— невязка,
Рис. 3.8 Тогда из (3.2.1), (3.2.2) или (3.1.15), (3.1.16) получаем абсолютно оптимальный алгоритм оценки постоянной величины в условиях помех:
Блок-схема этого абсолютно оптимального алгоритма изображена на Рис. 3.8. Она содержит нелинейный преобразователь Для помех с гауссовой плотностью распределения
В этом случае из (3.4.6) следует, что абсолютно оптимальный алгоритм представляет собой линейный алгоритм
Схема, реализующая этот алгоритм, изображена на рис. 3.9. В ней нелинейный преобразователь отсутствует.
Рис. 3.9 Оценка
Отметим ряд особенностей алгоритма (3.4.8). Он не требует знания дисперсии помехи
Отсюда видно, что оценка Для помех с плотностью распределения Лапласа
В этом случае из (3.4.6) следует, что абсолютно оптимальный алгоритм является релейным алгоритмом:
Блок-схема этого алгоритма изображена на рис. 3.10. Она содержит релейный преобразователь. Оценка, порождаемая абсолютно оптимальным релейным алгоритмом, соответствует оценке медианы.
Рис. 3.10. Для помех с плотностью распределения Коши
В этом случае из (3.4.6) получаем абсолютно оптимальный нелинейный алгоритм:
Блок-схема этого алгоритма изображена на рис. 3.11. В отличие от линейного алгоритма (3.4.8), релейный (3.4.12) и нелинейный (3.4.14) абсолютно оптимальные алгоритмы порождают оценки, зависящие как от параметра масштаба
Рис. 3.11 Для приведенных выше абсолютно оптимальных алгоритмов асимптотическая матрица ковариаций ошибок АМКО
Подставляя в (3.4.15) значения фишеровских информации, соответствующих различным плотностям распределения помех, из табл. 2.1 найдем АДО для соответствующих абсолютно оптимальных алгоритмов:
для линейного алгоритма (3.4.8),
для релейного алгоритма (3 4.12) и
для нелинейного алгоритма (3.4.14). Таким образом, для линейного алгоритма (3.4.8) АДО равна дисперсии гауссовых помех. Для релейного алгоритма (3.4.12) АДО равна квадрату параметра масштаба лапласовой плотности распределения, или половине дисперсии лапласовых помех. Что же касается нелинейного алгоритма (3.4.14), то для него АДО равна удвоенному квадрату параметра масштаба плотности распределения Кощи. Заметим, что дисперсия Выясним теперь свойства одномерных оптимальных алгоритмов. Для произвольной симметричной функции потерь средние потери равны
и оптимальный алгоритм из
АДО этого оптимального алгоритма находится из (2.2.18):
При этом всегда
т. е. АДО абсолютно оптимального алгоритма всегда меньше АДО оптимального алгоритма при произвольной функции потерь. Для квадратичной функции потерь
и, значит,
Поэтому из (3.4.20) получим оптимальный алгоритм
а из (3.4.21) находим его АДО
Отсюда следует, что для квадратичной функции потерь (3.4.22) оптимальный алгоритм линеен и совпадает с линейным абсолютно оптимальным алгоритмом (3.4.8). АДО линейного оптимального алгоритма равна дисперсии помех. При этом плотность распределения может быть любой симметричной функцией, дисперсия которой равна
Это значит, что скорость сходимости линейного алгоритма равна нулю, т. е. линейный алгоритм в этих условиях не работоспособен. Оценка, порождаемая им, не сходится не только к оптимальному решению с, но и ни к какой иной постоянной. В этом случае попросту не выполняется одно из условий сходимости линейного алгоритма, состоящее в ограниченности дисперсии помехи. Для модульной функции потерь
где
Оптимальный алгоритм, получаемый из (3.4.20), принимает вид
а его АДО (3.4.21) будет равна
Отсюда следует, что для модульной функции потерь (3.4.27) оптимальный алгоритм является релейным. Он отличается от абсолютно оптимального релейного алгоритма (3.4.12), если плотность распределения помех отлична от лапласовой с фиксированным параметром масштаба Для лапласовой плотности распределения помех
т. е. АДО равна квадрату параметра масштаба, или половине дисперсии лапласовой плотности помех. Для гауссовой плотности распределения помех
АДО в
В отличие от
т. е. АДО для линейного алгоритма в два раза больше АДО для релейного алгоритма. Иными словами, при лапласовой помехе скорость сходимости оптимального линейного алгоритма в два раза меньше скорости сходимости оптимального релейного алгоритма. Если параметр масштаба — основной алгоритм
— вспомогательный алгоритм
Блок-схема абсолютно оптимальных алгоритмов с настройкой параметра масштаба изображена на рис. 3.12.
Рис. 3.12 Рассмотрим частные случаи этих алгоритмов. Предположим, что помехи имеют плотность распределения Гаусса
и из — основной алгоритм
— вспомогательный алгоритм
Блок-схема абсолютно оптимальных линейного и квадратичного алгоритмов с настройкой параметра масштаба (3.4.38), (3.4.39) изображена на рис. 3.13. Она состоит из двух схем.
Рис. 3.13 Выходная величина первой из этих схем формирует оценку Для помехи с плотностью распределения Лапласа
и из (3-4.35), (3.4.36) мы получим релейный и модульный алгоритмы с настройкой параметра масштаба: — основной алгоритм
— вспомогательный алгоритм
Поскольку
Рис. 3.14 Наконец, для помехи с плотностью распределения Коши
и из (3.4.35), (3 4.36) получим нелинейные алгоритмы с настройкой параметра масштаба: — основной алгоритм
— вспомогательный алгоритм
Блок-схема нелинейных алгоритмов с настройкой параметра масштаба изображена на рис. 3.15. Она также содержит две взаимно связанные схемы оценивания
Рис. 3.15 Асимптотические свойства алгоритмов оценивания с настройкой параметра масштаба сохраняются теми же, что и для алгоритмов, в которых параметр масштаба предполагается известным. Приведем числовые примеры. Изменение ошибок расходится. В табл. 3.2 приведены величины
Рис. 3.16 Изменение ошибок Таблица 3.2 (см. скан) Линейный алгоритм. Зависимость Таблица 3.3 (см. скан) Релейный алгоритм. Зависимость
Рассмотрим в заключение задачу идентификации простейшего динамического объекта
Рис. 3.17 Уравнение оптимальной настраиваемой модели имеет вид
Для помех, плотность распределения которых нормальна,
Для помех, плотность распределения которых лапласова,
(кликните для просмотра скана) Заметим, что алгоритмы (3.4.48), и (3.4.49) получены из общего абсолютно оптимального алгоритма (3.2.10) заменой Схемы абсолютно оптимальных линейного и релейного алгоритмов идентификации АР-объекта приведены на рис. 3.18 и рис. 3.19 соответственно. Изменение ошибок — кривая а, для нормальных помех Как и следовало ожидать, наиболее быстрая сходимость достигается для абсолютно оптимальных алгоритмов.
|
1 |
Оглавление
|