ВУЗ:
Составители:
()
(
)
⎪
⎩
⎪
⎨
⎧
>
≤
=
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 (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
⎪⎧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
Страницы
- « первая
- ‹ предыдущая
- …
- 149
- 150
- 151
- 152
- 153
- …
- следующая ›
- последняя »
