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
15.3. Дисперсионно оптимальный метод инструментальных переменныхРассмотрим теперь метод инструментальных переменных (7.115). При выполнении предположений (9.81) и (9.82) асимптотическая матрица ковариации Нижняя граница. Допустим, что истинная система задается уравнением
Но считается известной и требуется оценить передаточную функцию
и пусть модель параметризована в виде
при соответствующим образом подобранных порядках модели. Предельные возможности в этой задаче оценивания определяются границей Крамера-Рао (9.31) (предполагается нормальность):
(сравните с (10.55); здесь символом А обозначено то, что было Оптимальные инструментальные переменные. Формула (15.18) определяет нижнюю границу для любого несмещенного метода оценивания параметра в из выражения (15.17). Стало быть, она применима и к методу инструментальных переменных, поэтому (15.18) определяет нижнюю границу для (9.84). Однако эта нижняя граница достигается при
Чтобы убедиться в этом, заметим, что
где
и (9.84) упрощается к виду (15.18), когда система функционирует в варианте разомкнутого контура. Оптимальный выбор проектных переменных в методе инструментальных переменных дается, таким образом, формулами (15.20). Адаптивные методы инструментальных переменных. Хотя формулы (15.20) содержат непосредственные рекомендации по наилучшему выбору инструментальных переменных, неприятная особенность состоит в том, что оптимальный выбор предварительного фильтра и инструментальных переменных определяется неизвестными свойствами истинной системы. Справиться с этим можно было бы введя надлежащим образом зависимость от в в переменные Многошаговый алгоритм. В методе инструментальных переменных выбор переменных и предварительных фильтров влияет прежде всего на асимптотическую дисперсию, в то же время свойства состоятельности сохраняются. Это означает, что минимальные отклонения от оптимальных значений, рассчитываемых по формулам (15.20), приведут к ухудшению точности получающихся оценок только в виде членов второго порядка малости. Таким образом, при формировании инструментальных переменных и предварительного фильтра можно было бы пользоваться состоятельными, но не обязательно эффективными оценками динамики системы и характеристик шумов. В целях сохранения простоты и наглядности метода инструментальных переменных на этих шагах алгоритма следует воспользоваться моделью линейной регрессии. В результате предлагается следующий четырехшаговый инструментальный алгоритм оценивания для системы, действующей по разомкнутому контуру. Шаг 1. Записать модельную структуру (15.17) в форме линейной регрессии
Оценить 0 методом наименьших квадратов (7.34). Обозначить полученную оценку Шаг 2. Сформировать инструментальные переменные по формулам типа (7.108) и (7.109):
и определить инструментальную оценку параметра переменные. Обозначить оценку Шаг 3. Положить
и ввести авторегрессионную модель
для порядка Шаг 4. Пусть
Используя эти переменные и предварительный фильтр
Этот алгоритм является частным случаем многошаговой процедуры, рассмотренной в разделе 6.4 книги Седерстрема и Стойки [374]. Они показали, что асимптотическая матрица ковариации оценки Пример 15.2. Четырех шаговый инструментальный алгоритм. Моделировалась система
с получением около 400 выборочных значений при
Пример показывает, что проведение дополнительных расчетов шагов 3 и 4 оправдано. Дополнительный выигрыш состоит в том, что на этих шагах формируются оценки характеристик шума, которые необходимы для расчета асимптотической ковариации (9.84). В результате, как это уже отмечалось, конкретизация выбора приводит к следующим оценкам матрицы ковариации
|
1 |
Оглавление
|