Прикладные интеллектуальные системы, основанные на мягких вычислениях. Ярушкина Н.Г. - 27 стр.

UptoLike

ВУЗ: 

УлГТУ | Ульяновск

Составители: 

Рубрика: 

2.1.3. Общая схема процесса идентификации
Стандартные методы идентификации, такие, как стохастическия аппрок-
симация (процедура Роббинса-Монро), метод наименьших квадратов и мно-
гие другие широко представлены в литературе [6]. Для сравнения выберем
один из них — метод вспомогательного функционала качества (ВФК), раз-
работанный для адаптивной фильтрации [9] и распространенный на задачи
управления [10].
Чтобы связать эту работу с [9, 10], переобозначим переменные (2.12), (2.13)
на
g(t
i+1|i
)
.
= ˜x
a
(t
−
i+1
) , g(t
i|i
)
.
= x
a
(t
+
i
) , η(t
i|i
)
.
= z
a
(t
i
) − H
a
˜x
a
(t
−
i
) (2.14)
и обозначим настраиваемый (регулируемый) параметр AF как вектор-столбец
ˆ
θ
.
= col[
ˆ
θ
11
, . . . ,
ˆ
θ
1m
; ··· ;
ˆ
θ
n1
, . . . ,
ˆ
θ
nm
| {z }
все p элементов матрицы
˜
K
a
] ∈ R
p
,
ˆ
θ
ij
.
= [
˜
K
a
]
ij
, p = mn . (2.15)
Как известно, метод ВФК сводится к методу MPE
3
, исключая одну осо-
бенность: он использует идею эквивалентного замещения исходного функцио-
нала качества (ИФК) (который является прямым, но не доступным) некото-
рым вспомогательным функционалом качества (который является доступ-
ным, хотя и косвенным). Главным требованием для такого замещения явля-
ется то, что ИФК и ВФК эквивалентны, то есть они имеют один и тот же
минимизирующий аргумент. Таким образом, исходя из метода ВФК, выпол-
няем следующее:
1. Строим модель чувствительности (SM), беря частные производные от
уравнений (2.12)–(2.13) для получения рекуррентных уравнений функ-
ций чувствительности
µ
jl
(t
i+1|i
)
.
=
∂
∂
ˆ
θ
jl
g(t
i+1|i
) , j = 1, . . . , n ; l = 1, . . . , m .
3
Minimum Prediction Error — минимум ошибки предсказания.
27

Страницы