Рекуррентный алгоритм

Cтраница 1

Рекуррентный алгоритм (11.1.11) для настройки коэффициентов в линейном эквалайзере использует несмещенные шумовые оценки вектора градиентов. Шум в этих оценках вызывает флуктуация коэффициентов около их оптимальных значений и, следовательно, ведет к увеличению СКО на выходе эквалайзера. Это означает, что финальное значение СКО равно Jmm J &, где Уд - дисперсия измеренного шума. Слагаемое 7д, обусловленное шумом оценки, было названо Уидроу ( 1966) излишком среднеквадратичной ошибки. [1]

Рекуррентные алгоритмы вида (12.27) для оценок неизвестных параметров функций называются алгоритмами стохастической аппроксимации. Суть метода стохастической аппроксимации заключается в том, что на каждом шаге изменение вектора оцениваемых параметров производится таким образом, чтобы за счет поступления новых экспериментальных данных улучшить прогнозирующие свойства модели. [2]

Рекуррентный алгоритм оценки вектора параметров может быть сформирован аналогичным образом и для варианта системы типа (5.30), в которой осуществляется учет дополнительных данных. [3]

Большинство рекуррентных алгоритмов [9, 5, 15,19] разработаны для оценки достаточно простых линейных моделей. В случае, если модельная структура содержит большое число настраиваемых параметров, использование рекуррентных алгоритмов в режиме реального времени становится проблематичным. [4]

Удобно выразить рекуррентные алгоритмы наименьших квадратов в матричном виде. С этой целью определим некоторое число векторов и матриц, которые необходимы в этом исследовании. Так поступая, мы не значительно изменим привычные обозначения. [5]

Рассмотрим применение рекуррентного алгоритма, выполнив необходимые вычисления для численных значений ctj. [6]

О модифицированном рекуррентном алгоритме Коробова построения равномерной сетки в многомерном кубе / / Вопросы вычислительной и прикладной математики. [7]

Таким образом, рекуррентный алгоритм идентификации позволяет контролировать дисперсии отдельных оценок, которые определяются соответствующими диагональными элементами ковариационной матрицы. [8]

Структурная схема рекуррентного алгоритма вычисления отношения. [9]

Формула (7.38) задает рекуррентный алгоритм вычисления отношения правдоподобия. [10]

Выражение (12.25) представляет собой рекуррентный алгоритм вычисления обратной матрицы при добавлении новых наблюдений. [11]

Полученные в результате рекуррентного алгоритма значения qT i после нормировки используются для определения оптимальных границ. [12]

Рассмотренный пример применения рекуррентного алгоритма оценки параметров позволяет сделать вывод о заметном преимуществе подобной процедуры над алгоритмами обобщенного обращения матриц. [13]

Необходимо отметить, что рекуррентный алгоритм на основе метода максимального правдоподобия является лишь приближением исходного нерекуррентного метода, поскольку при его выводе были допущены некоторые упрощения. [14]

В § 2 формируется общий рекуррентный алгоритм построения апостериорных решающих правил. Параграф 4 посвящен Л - задаче, двойственной к многоэтапной задаче стохастического программирования. [15]

Страницы: 1 2 3 4