Составители:
94
• по критерию минимума СКО вычисляются оценки
коэффициентов {a
j
}, обеспечивающие наилучшую
интерполяцию исходных замеров принятой моделью (эту
процедуру называют сглаживанием);
• модель процесса с найденным коэффициентом используют для
предсказания.
Количество исходных точек не может быть ниже порядка m
модели. При их равенстве коэффициенты находятся однозначно из
m уравнений, однако, точность здесь невысока из-за наличия помех.
Обычно используют существенно большее число измерений, при
этом избыточную информацию используют для повышения
точности предсказания. Интервал между замерами берут равным
(0,10….0,25)Т
э.
В большинстве случаев предсказание можно осуществлять и
без построения временной модели переменной. Применяют
следующие алгоритмы предсказания:
- ступенчатую аппроксимацию, когда предсказываемое
значение переменной совпадает с ее величиной ( при сглаженной
помехе) в последней точке замера (этот метод не требует никаких
вычислений, однако его погрешность максимальна по сравнению с
другими алгоритмами) – дисперсия ошибки предсказания на время
∆t для эргодического процесса равна:
έ
2 =
2[R
y
(0) - R
y
(∆t)] +
2
ξ
σ
(9.3.24)
где R
y
– корреляционная функция процесса y(t).
Наилучшие результаты дает дискретный фильтр-экстраполятор
Калмана-Бьюси. Однако здесь требуются наиболее трудоемкие
вычисления. Для стационарных процессов близкие к максимально
достижимым результатам дает фильтр Винера:
x
i+k
=
∑
=
−
m
j
jij
ya
0
(9.3.25)
где m – память фильтра,
{a
j
} – коэффициенты, настраиваемые по критерию
минимума СКВ предсказания.
9.4 Статистическая обработка экспериментальных данных
Важным моментом задачи исследования и управления ТОУ
является обработка большого потока экспериментальной
информации, имеющей, как правило, случайный характер. И это
обуславливает необходимость использования методов
математической статистки для извлечения ценной информации из
экспериментальных данных.
Страницы
- « первая
- ‹ предыдущая
- …
- 90
- 91
- 92
- 93
- 94
- …
- следующая ›
- последняя »
