Идентификация объектов управления. Семенов А.Д - 151 стр.

UptoLike

()
(
)
>
=
πcz,
πc;z,z/c
z
A
если0
еслиsin
ψ
и функция Тьюки (рис. 6.4):
Рис. 6.4
()
()
>
=
.z,
;z,zz
zψ
T
1если0
1если1
2
2
Соответствующая М-оценка, определяемая функциями
ρ(z) и ψ(z),
реализует условие минимакса выражения
(
)
[
]
T
F
T
maxmin
,
где F - семейство распределений отличных от нормального, задаваемых
IO - моделью (3.17);
)(T
- асимптотическая дисперсия; T - класс оценок.
6.2. Робастные методы идентификации
Рассмотрим робастные (устойчивые к наличию априорной
неопределенности) методы идентификации на примере авторегрессионых
моделей (АРмоделей) и моделей авторегрессиискользящего среднего
(АРСС - моделей).
При наличии аномальных наблюдений y(k), обусловленных, например,
AO – моделью (3.18) и IO - моделью (3.20), алгоритмы, основанные на
непараметрических методах
идентификации (п.5) малоэффективны, а
                ⎪⎧sin( z/c), если z ≤ πc;
     ψ A (z ) = ⎨
                 ⎪⎩0,        если z > πc


     и функция Тьюки (рис. 6.4):




     Рис. 6.4


                    (    )
                 ⎧⎪z 1 − z 2 2 , если z ≤ 1;
      ψT ( z ) = ⎨
                  ⎪⎩0,           если z > 1.


     Соответствующая М-оценка, определяемая функциями ρ(z) и ψ(z),
реализует условие минимакса выражения
      min max [∑ (T )]
       T   F          ,
     где F - семейство распределений отличных от нормального, задаваемых

IO - моделью (3.17);     ∑ (T ) - асимптотическая дисперсия; T   - класс оценок.


     6.2. Робастные методы идентификации


     Рассмотрим          робастные        (устойчивые   к   наличию      априорной
неопределенности) методы идентификации на примере авторегрессионых
моделей (АР – моделей) и моделей авторегрессии – скользящего среднего
(АРСС - моделей).
     При наличии аномальных наблюдений y(k), обусловленных, например,
AO – моделью (3.18) и             IO - моделью (3.20), алгоритмы, основанные на
непараметрических методах идентификации                 (п.5) малоэффективны, а