Главная Случайная страница Контакты | Мы поможем в написании вашей работы! | ||
|
В этом случае задается функция плотности вероятности f(x), определяемая для вектора переменных x = {xi}; . Рассматривается оператор с2 (m), определяемый с помощью элементов вектора x:
(1.49)
Вектор m 2,минимизирующий диагональные элементы оператора с2 (m), определяется как среднее (или математическое ожидание) вектора x в смысле l 2 -нормы. Он вычисляется с помощью интеграла
Если m = m 2, то оператор (1.49) представляет собой ковариацию вектора x в смысле l 2-нормы, которую можно обозначить в виде C 2:
(1.50)
Заметим, что диагональные элементы C 2 равны дисперсиям (квадратам стандартных отклонений), которые ранее обозначались как :
Свойства ковариации (при норме l 2 ) приведены в классической работе Пугачева B.C.:
a) свойство симметрии -
b) C 2 является неотрицательно определенной - для любого вектора x
c) если C 2 положительно определена, то для любого вектора x величина имеет свойства нормы. Она определяется как весовая l2 -норма вектора x;
d) корреляционные коэффициенты определяемые по формуле , обладают следующим важным свойством - ;
e) плотность вероятности
где N - размерность вектора x, нормализуется со средним значением х 0 и ковариационным оператором с2 [39].
Среди всех плотностей вероятностей с заданной нормой l 2 оператора ковариации, функция Гаусса соответствует минимуму информации (т.е. функция имеет максимум при минимуме показателя степени экспоненты).
Остановимся теперь на обобщении процесса с нормальным распределением. Среди всех нормированных плотностей вероятности по норме lр оцениватель дисперсии
единственный удовлетворяет условию минимума информации. Эта плотность представляется уравнением
(1.51)
где Г(·) есть гамма-функция [42].
Задаваясь различными значениями p, можно построить обобщенную характеристику, изменяющую форму в зависимости от нормы. B частности, если p = 1
и - симметричная экспонента, центрированная при со средним отклонением s1. Для р = 2
есть функция Гаусса со стандартным отклонением s2. Для p = ¥
Функция имеет прямоугольную форму, центрированную при с размахом, равным s¥. Функция нормирована к единице.
Функцию (1.51) называют также обобщенным гауссианом, т.к. она генерирует семейство функций, содержащих в своем составе функцию Гаусса. Отметим, что приведенные выше функции часто используются для моделирования распределений ошибок. Введение обобщенного гауссиана способствует некоторому расширению возможности выбора распределений для оценки погрешностей сигналов в измерительных средствах судовых энергетических комплексов.
Большое практическое применение получили оцениватели по норме p= 1. Для такой оценки мы предлагаем эффективный алгоритм, основанный на выборе минимальных составляющих вектора погрешностей, полученных на начальной стадии решения с помощью изложенного выше метода наименьших квадратов.
Если в критерии (1.47) предположить симметрию относительно тр и перейти от интеграла к дискретным оценкам, приняв за основу уравнение измерителя в форме (1.49), то критерий качества примет следующий вид:
(1.52)
где p ³ 1. Если р = 2, то J 2 (х) естъ корень квадратный из суммы квадратов остатков, так что минимизация J 2 (x) эквивалентна наилучшей оценке по методу наименьших квадратов.
Статистические свойства средней амплитудной и среднеквадратической оценок можно интерпретировать следующим образом. Среднеквадратическая оценка соответствует определению среднего квадрата множества измерений, в то время как оценка по критерию L 1 - нахождению среднего значения множества измерений. Использование среднего значения в процедуре оценивания состоит в нахождении n (число переменных состояния) остатков, равных нулю, и (m – n)ненулевых остатков (т — число измерений). При этом предполагается, что, в общем, каждое измерение может подвергаться воздействию шума Гаусса. Использование весовых факторов изменяет дисперсию шума измерений, так что в целом система измерений может рассматриваться как имеющая шумовую составляющую, представляемую распределением Гаусса со смешанной дисперсией. Для распределений Гаусса со смешанными дисперсиями, а также для негауссовских распределений среднее амплитудное оценивание дает хорошие практические результаты. Это утверждение основывается на целом ряде работ, где проблема минимизации линейного критерия качества решалась с помощью симплекс-метода, являющегося основным методом поиска оптимума в линейном программировании [19].
Дата публикования: 2014-11-03; Прочитано: 430 | Нарушение авторского права страницы | Мы поможем в написании вашей работы!