- •1)Общая схема проверки гипотез
- •2) Постановка задачи адаптивного управления
- •1)Проверка гипотезы о математическом ожидании
- •1)Байесова теория принятия решений при непрерывных признаках
- •2)Подстройка параметров с использованием чувствительности
- •1) Идея классификации
- •2) Подстройка параметров динамических моделей с использованием итеративных моделей
- •Прямые методы восстановления решающей функции
- •1)Насыщенные планы. Симплекс.
- •1) Разбиение матрицы планирования на блоки
- •Адаптивные подстройки параметров не линейной статистической модели
- •1) Ортогональное планирование второго порядка
- •2) Простейший адаптивный алгоритм подстройки параметров
- •Метод случайного баланса
- •Многоэтапный метод селекции при построении моделей сложных объектов
- •Простейшие оценки плотности распределения и функции распределения.
- •Метод деления отрезка пополам при одномерном поиске унимодальных функций
- •2. Последовательный симплексный метод поиска экстремума функций
- •Оценка регрессии
- •Градиентный метод с использованием планирования первого порядка
- •Один из простых вариантов алгоритма Ньютона имеет вид
№1
1)Общая схема проверки гипотез
вероятности ошибочных решений
,
– вероятность правильного решения
– вероятность ошибочного решения
и - пороги
2) Постановка задачи адаптивного управления
Считаем, что поведение объекта в динамическом режиме описывается разностным уравнением
Если шум белый, то .
прогноз выхода следующего момента времени:
№2
1)Проверка гипотезы о математическом ожидании
Вводим статистику ,где .
а) . Левый и правый пороги (в алгоритме проверки гипотез) зависят только от одной константы . Этот случай отражен на рис. 1.2.1. Гипотеза верна, если величина . Порог находим из условия
2)
Формируем модель объекта .
Вычислим приравняв выход модели и выход объекта в момент времени : . получаем параметр .
рассчитываем оптимальное управление:
№3
Проверка гипотезы о равенстве дисперсий
2) синтез алгоритмов управления для линейной модели
Параметры модели
рассчитываем по одному из адаптивных алгоритмов (см. гл. 6, 7). Оптимальное управление находим из критерия
и получаем его в виде идеальное управление
№4
1) Проверки гипотезы о равенстве мат.ожиданий
о том, что , и конкурирующая гипотеза ( ) о том, что . Эти гипотезы проверяются по статистике
,где , .
При истинности случайная величина распределена по нормальному закону . Порог находится из табл. П1 (см. задачу 1): . Условия принятия гипотез , таковы:
если , то принимаем ; если или , то отвергаем .
№5
Выявление аномальных измерений
Строим статистику: . Теперь рассмотрим ситуацию, когда дисперсия неизвестна. Статистика имеет вид . При истинности гипотезы случайная величина распределяется по закону Стьюдента
№6
Гипотеза об однородности ряда дисперсий имеем несколько случайных величин , распределенных по нормальному закону , ... , . Все параметры , неизвестны. Для каждой случайной величины производятся независимые измерения одинакового объема и проверяется гипотеза о равенстве дисперсий: . Строим статистику по методу Кочрена (W. G. Cochran), так как для всех случайных величин имеем одинаковое число повторных опытов .
Статистика имеет вид: , где .
№7
Гипотеза о распределениях
вероятность попадания случайной величины в -й интервал .
Проверка этой гипотезы базируется на статистике, построенной на уклонениях и : .
№8
Байесовская теория принятия решений при дискретных признаках
1. Одномерный вариант
.
Выносим решение об истинности того класса (с номером ), для которого апостериорная вероятность максимальная:
.
2. Многомерный вариант
Имеется несколько дискретных информативных признаков . Для простоты считаем, что имеются два информативных признака .
, .
, .
Известны также априорные вероятности классов .
По формуле Байеса вычисляем апостериорные вероятности для всех рассматриваемых классов:
.
2) Структуры дискретных динамических моделей стохастических объектов
объект описывается дискретным уравнением
Здесь – измеряемые скалярные выход и вход объекта; – некоррелированная во времени центрированная помеха (белый шум); = = – коррелированная (окрашенная) помеха; – неизвестные параметры. Обозначим через выход модели в момент времени .оптимальная (в смысле минимума среднего квадратического значения невязки : ) модель имеет вид .
№9