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]