Вид оценивания

В качестве основных признаков при классификации задач оценки и контроля надежности КА (космического аппарата) рассмотрены оцениваемый показатель, вид оценивания, форма регистрации опытных данных, модель оценивания, форма представления априорной информации. [c.492]

Вид оценивания (О). В процессе планирования, проведения и обработки результатов отработки используются точечные и интервальные оценки. Точечные оценки используются при достаточно больших объемах эмпирических данных и в случаях симметричных функций потерь от погрешности оценивания. Эти случаи характерны для решений, связанных с планированием экспериментальной отработки. Оценка результатов экспериментальной отработки с целью проверки выполнения требований по надежности проводится с использование.м интервальных оценок. [c.492]

Дискретное экспериментальное оценивание проекций контролируемого сечения (х (х, у) идеально коллимированным моноэнергетическим измерительным каналом с учетом (2) и (10) может быть представлено в виде [c.409]

Если наблюдения за контролируемыми непрерывными системами осуществляются в дискретные моменты времени t — kAt, k — 1,2,. .., то необходимо правильно выбрать шаг дискретности времени At. Обыч ю его выбираю в соответствии с теоремой Котельникова, т. е. из условия 2/дг. где / — максимальная частота, которую требуется различать по дискретизированным сигналам. В задаче идентификации в качестве может быть принята интересующая исследователя максимальная частота частотной характеристики системы (или максимальная частота выходных сигналов). При этом следует иметь в виду, что слишком высокая частота дискретизации непрерывных сигналов приводит к дискретным моделям (в виде разностных уравнений) с близкими к границе области устойчивости коэффициентами, что усложняет задачу оценивания параметров таких моделей. В связи с этим появляется проблема оптимальной дискретизации, которая может быть решена для конкретных структур операторов. [c.350]

Оценивание параметров оператора. В большинстве случаев при известной структуре модели задачу удается свести к параметрическому виду с неизвестным вектором числовых параметров с = (q, j.....Ст), Тогда задача оценивания параметров [c.350]

Метод максимального правдоподобия. Оценивание параметров оператора рассматривается как задача исследования условного распределения вероятностей наблюдений и = (х , у ) относительно вектора параметров с. В качестве оценок выбирают такие значения параметров, которые являются наиболее вероятными при наблюдениях и, В связи с этим функция Q (с) имеет вид [c.351]

Оценивание параметров многомерных систем. Пусть значения и векторного входного сигнала системы с q входами н г выходами в дискретные моменты времени kAt представляются в виде [c.365]

В случае наблюдений вида (122) оценивание по методу наименьших квадратов связано с минимизацией функции [c.368]

Оценивание параметров модели Винера с весовыми функциями. Связь между входным л (t) и выходным у t] сигналами представляют в следующем виде [c.370]

Оценивание параметров модели Винера в виде дифференциального уравнения. [c.371]

В данном случае покомпонентное оценивание параметров связано с использованием уравнений вида (138), (28). При этом [c.372]

Оценивание параметров дискретных моделей. Амплитудно-фазовая частотная характеристика, соответствующая дискретной модели (101), имеет вид [c.378]

По мере накопления банков данных по результатам эксплуатации, отказам РКК в реальных условиях функционирования и при испытаниях на всех стадиях жизненного цикла появляются и, как правило, используются дополнительные возможности анализа причин, видов и последствий отказов техники. Точнее выявляются условия, приводящие к отказам техники. Накапливаются фактические данные для оценки эффективности мер и средств, предупреждающих появление отказов. способствующих своевременному выявлению источников дефектов, измерению запасов работоспособности, прогнозированию износа, защите от последствий отказов. Все это позволяет повысить целенаправленность и эффективность экспериментальных исследований, использовать более тонкие модели оценивания надежности, прогнозирования ресурса. При этом меняется состав и структура экспериментальных исследований, усложняются методы планирования и управления экспериментом, методы обработки результатов испытаний. Одновременно существенно повыщается информационная мощность экспериментов, что позволяет уменьшить их относительное число при решении все более сложных задач с ограниченным уровнем риска. [c.491]

Рассматриваемая ниже классификация задач оценки и контроля надежности охватывает как крайние, так и промежуточные варианты. Однако следует иметь в виду, что промежуточные варианты расчетно-экспери-ментального поэтапного подтверждения требований по надежности качественно усложняют задачу оценивания и еще более усложняют задачу планирования отработки. В этом случае задачи синтеза структуры РКК и планирования экспериментальной отработки становятся взаимосвязанными и взаимообусловленными. [c.492]

На распределение статистики как случайной величины кроме вида семейства исходных распределений оказывает влияние структура самой статистики как функции наблюдений. При выполнении некоторых условий (например, рассмотренной выше линейности) распределение некоторых статистик является нормальным или асимптотически нормальным. Это свойство точечной оценки существенно упрощает задачу анализа точечной оценки, а также переход к интервальному оцениванию. [c.499]

Основой реализации всех моделей являются три алгоритма, оформленные в виде процедур на Алголе (ПРАВД, БАЙЕС, КВ АДР), реализующих соответственно метод максимального правдоподобия, байесовскую процедуру и метод наименьших квадратов. Б качестве параметров процедур используются текстовые величины, употребляющиеся в работе при классификации задач оценивания. [c.508]

В алгоритме (11.24) параметр г неизвестен, поэтому, подставляя вместо г и г их значения из решения (11.23), получим алгоритм оценивания вида [c.337]

После подстановки выражения (11.26) в уравнение (11.35) получим окончательный вид алгоритма оценивания [c.340]

В принятой схеме оценивания оценка а ( о, t) ищется в классе линейных интегральных оценок вида [c.362]

Выводы можно оформить в виде теоремы двойственности для внутренней адаптивной задачи оптимального оценивания и управления. [c.365]

С целью нахождения дифференциального алгоритма оценивания неизвестных параметров следует выбрать матрицу A t) — матрицу квадратичной формы, определяюш ую функцию Беллмана, в виде матрицы, линейно зависяш ей известным образом от вектора настраиваемых параметров f(t), т.е. надо дополнительно потребовать, чтобы A t) = A t, f). [c.368]

Модели объектов и сигналов представлены в книге главным образом параметрически, т. е, описываются скалярными или векторными разностными уравнениями, поскольку современные методы синтеза основаны именно на таком представлении. Описания объектов даются в компактном виде с малым числом параметров, а методы синтеза во временной области не требуют больших объемов вычислений и обеспечивают получение структурно оптимизируемых регуляторов. Модели объектов получены в результате применения методов оценивания параметров и могут быть непосредственно использованы для наблюдения или оценивания состояний. Непараметрические модели, такие, как переходные функции или частотные характеристики, представляемые в виде таблиц, указанными преимуществами не обладают. Их использование ограничивает возможности синтеза, в частности, это касается автоматизированного проектирования и адаптивных алгоритмов управления. [c.16]

Здесь вместо неизвестной точной величины V (к) использовано ее математическое ожидание V (к). С учетом введенных обозначений рекуррентный алгоритм оценивания приобретает вид [c.285]

Предлагается трехэтапный метод наименьш их квадратов. Алгоритм процедуры оценивания вектора параметров цифрового фильтра (I этап) по массиву данных и. и и начальных значений векторов с, л с учетом коррелированного шуд1а на выходе описан в [41. На II и III этапах используется одна и та же процедура. В качестве критерия наилучшего приближения к искомым параметрам используется функционал вида [c.134]

В процедуре оценивания вектора параметров состояния х на этапе обучения используется модификация изложенного в [6] метода динамических испытаний. В качестве ФДМ используется дискретная форма модели Гаммерштейна с шумоформирующим фильтром на выходе в виде [c.135]

Демпфирование упругой системы акселерометра рассматриваемой конструкции является жидкостным. В качестве демпфирующей обычно применяется кремнийорганическая жидкость типа ПМС. Для обеспечения критического или близкого к нему значения коэффициента демпфирования, являюш егося оптимальным 160], необходимо правильно выбрать вязкость демпфирующей среды. Учитывая большое число влияющих факторов, сложность и нелинейность зависимостей от них коэффициента демпфирования, предлагается полуэмпирическая методика определения оптимального значения вязкости демпфирующей жидкости. Методика иллюстрируется на рис. 10.4 и заключается в следующем. Вначале с помоп] ью вибростенда экспериментально определяется резонансная частота изготовленной незадемпфированной упругой системы акселерометра. Далее снимается экспериментальная зависимость величины отклонения А реальной АЧХ от идеальной на резонан- сной частоте при различных, заранее известных значениях вязкости V демпфирующей жидкости. Причем вязкость постепенно увеличивается от значений, обеспечивающих малый коэффициент демпфирования, до значений с коэффициентом демпфирования больше критического. Следует отметить, что каждый раз уточняется резонансная частота, поскольку при увеличении вязкости ее значения смещаются в сторону понижения частоты вследствие эффекта присоединенной массы [60]. Зависимость А = / (v) имеет вид, показанный на рис. 10.4, а. Оптимальное значение вязкости -Vo обычно получается экстраполяцией в области значений Л О (рис. 10.4, б). Погрешность оценивания Vq определяется количеством экспериментально полученных точек и точностью измерения. Полученное значение Vq используется для выбора демпфирующей жидйости в случае, если оказывается достаточно близким к одному из стандартных значений вязкости. В противном случае Vo применяется совместно с номограммой для определения процентного состава двух или более жидкостей с различными значениями вязкости, обеспечивающими при смешивании между собой требуемую вязкость. После получения нужной вязкости упругая система акселерометра демпфируется, и затем снимаются па вибростенде все основные характеристики акселерометра — амплитудная характеристика, АЧХ и коэффициент поперечной чувствительности. Изготовленные и задемпфированные по предлагаемой методике акселерометры имели неравномерность АЧХ, не превы- [c.175]

ГИСТОГРАММА (от греч. histos — столб и gramma — запись) — представление для плотности распределения вероятности (ПРВ) случайной величины в виде ступенчатой ф-цни. Метод Г. является одним из методов непара-метрич. оценивания ПРВ и состоит в следующем. Пусть Х2,. . ., х — случайные числа, ПРВ к-рых надо оценить. Разобьём интервал t , t ), содержащий эти случайные числа, на т отрезков (t,-, + паз. каналами или ячейками Г. Длины отрезков — наз. ширинами каналов, на практике для простоты их часто выбирают равными между собой. Подсчитаем п — кол-ва [c.495]

Для нелинейных f(x a) и р(х]в) широкое использование Н. к. м. обусловлено двумя причинами 1) метод не требует знания ф-ции распределения У , а липзь среднего Л/(У ) = /(лг д) и матрицы ошибок 2 2) задача минимизации квадратичных форм (i) и (7) значительно проще задачи минимизации ф-ций более общего вида, к-рые появляются в др. методах оценивания. [c.239]

Более общий подход к получению доверит, интервалов заключается в поиске такой ф-ции от оценки и параметра, распределение к-рой не зависит от кскомо-то параметра. Напр., пусть вектор оценок а распределён по многомерному Гаусса распределению со средним и матрицей вторых моментов D. Тогда Квадратичная форма Ф( , ) = а — a)D(a — а) распределена по закону Х ( ) Распределение), к-рое не зависит от . Задаваясь вероятностью р того, что Ф( ,в) к , находим kf и доверит, область для а Ф(а,а) — kf, имеющую вид гиперэллипсоида с центром в точке . Этот пример имеет практич. применение, т. к. асимптотически, при больших N, ми. методы оценивания дают нормально распределённые оценки параметров. [c.676]

Метод среднего риска является наиболее общим методом оценивания параметров. В зaви и r тй от конкретного вида функции потери П (с, с) и априорного рас-пределения р с) можно получить различные оценки — наиболее вероятное, апостериорное среднее, минимаксную и др. [32]. В целом оценки параметров, полученные в соответствий с двумя последними методами, называют байесовскими оценками. [c.353]

Оценивание параметров линейных разностных уравнений. Когда наблюдения за входным и выходным сигналами получены в дискретные моменты времени t = kM (либо непрерывные сигналы х t) е и (/) дискретизируются в связи с применением ЭЦВМ), модель линейной системы задается в виде линейного разностного уравне- [c.364]

Оценивание параметров модели Гаммерштейна в виде дифференциального уравнения. Выходной сигнал [c.368]

Оценивание параметров модели Гаммерштейна в виде разностного уравнения. Выходную последовательность у/, представляют в следующем виде [c.369]

Оно соответствует ряду Вольтерра (77). Следовательно, если в модели Винера не.пинейная характеристика / (х) может быть представлена через степенные полиномы, то данная модель эквивалентна ряду Вольтерра, когда его ядра имеют вид (174). В Связи с этим приведенные алгоритмы для построения моде.пи Винера можно отнести к алгоритмам оценивания параметров нелинейных динамических моделей в виде ряда Вольтерра. [c.372]

Определение состоятельности как сходимости к R последовательности йценок R , я = 1,2,. .. при и Q0 апеллирует только к предельным свойствам последовательности Л . Поэтому нужна известная осторожность при использовании состоятельности как единственного критерия выбора метода оценивания в практических задачах. Не решает проблемы и ужесточение асимптотических требований в виде асимптотической несмещенности и нулевого предела дисперсии оценки. Фишером предложено другое определение состоятельности, применимое к выборкам любого объема, но распространяющееся только на функционалы от эмпирических функций распределения. [c.498]

Таким образом, подводя итоги сравнения классических методов решения стандартной задачи статистического точечного оценивания, можно указать регулярный метод нахождения наилучших оценок - метод максимального правдоподобия. Для обшей поспга-новки задачи точечного оценивания по частично регистрируемым выборкам необходима модификация метода максимального правдоподобия с реализацией на ЭВМ. Однако в этом случае не удается обеспечить свойство несмещенности точечных оценок параметров распределения. В то же время оптимальные свойства аналитических оценок максимального правдоподобия стандартных выборок как функций достаточных статистик наводят на идею оригинального метода итеративного восполнения частично регистрируемых выбо-рюк, обеспечивающего несмещенное оценивание параметров распределений экспоненциального семейства. Оба метода допускают простое обобщение на любой вид показателя надежности R, выражаемого аналитически через параметры распределения. [c.503]

Одним из достоинств классических методов оценивания является свойство интерсубъективности, т.е. независимость результата от субъекта оценивания. На основе этого классическим методам часто противопоставляется байесовский подход, последовательно интегрирующий в рамках своего формализма субъективные и объективные оценки априорных данных в виде гипотезы Pg е Р сг Я о семействе исследуемых вероятностных мер, априорной вероятностной меры Я параметров в основного распределения и функции потерь, обусловленных ошибкой оценивания. [c.503]

Анализируя правильность выбора средств и методик выполнения измерений, проверяют наличие и правильность выполненных разработчиками документации расчетов показателей точности испытаний. Если в разработанной документации такие расчеты отсутствуют, но имеются необходимые данные о погрешности отбора и коэффициентах влияния на погрешность испытаний погрешностей задания параметров испытательных режимов, то оценивание погрешности испытаний может быть выполнено непосредственно в процессе метрологического контроля. Методика оценива я погрешностей испытаний аналогична методике оценивания погрешности измерений. При недостаточной точности испытаний следует иметь в виду три возможные пути ее повышения уменьшение погрешности измерений параметра используемого образца, ужесточение требований к точности воспроизведения параметров испытательных режимов и снижение погрешности отбора. Конкретный путь повышения точности испытаний следует предлагать с учетом весомости доли уменьшаемой составляющей погрешности и затрат, которые необходимы для реализации данного пути. [c.208]

Уравнения фильтра Калмана для оценивания параметров движения УАСП имеют вид [c.151]

Задачей идентификации является экспериментальное определение характеристик динамических объектов и связанных с ними сигналов. Оценивание параметров системы производится в рамках математической модели определенного класса. При этом различие между реальным объектом или сигналом и соответствующей математической моделью должно быть по возможности минимально [ЗЛ2], [3.13]. Текущей ыЗеятификачаей будем называть процедуру определения параметров путем обработки на ЭВМ данных, которые поступают от объекта идентификации непосредственно в процессе его функционирования. В некоторых случаях измеряемые сигналы объекта первоначально накапливаются в виде блоков или массивов информации. Обработку такого типа принято именовать пакетной. Если же сигналы обрабатываются по истечении каждого такта квантования, то говорят, что обработка ведется в реальном масштабе времени. [c.352]

Энциклопедия по машиностроению XXL

Оборудование, материаловедение, механика и ...