Добавил:
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:

книги из ГПНТБ / Айвазян, С. А. Классификация многомерных наблюдений

.pdf
Скачиваний:
46
Добавлен:
20.10.2023
Размер:
8.58 Mб
Скачать

§ 2. Р А З Л И Ч И М Ы Е С М Е С И И О Ц Е Н К А П А Р А М Е Т Р О В

В практических ситуациях обычно имеют дело^с наблюдениями

Х ъ Х 2, ..., Хп,

которые следует разнести

в несколько

однородных

групп (классов).

Выше мы видели, что это можно

сделать объективно

только в том случае, когда наблюдения Xj

(j = 1,

2, ...,

п) получены

из различимой смеси, плотность которой далее будет обозначаться через h (U).

Мы будем предполагать, что смесь h (U) является конечной смесью. Это ограничение объясняется тем, что по конечному числу п наблю­ дений нельзя определить бесконечное число компонент смеси. Мы будем предполагать также, что существуют плотности / (U | Ѳ) у каждой составляющей смеси, причем функции / (U | Ѳ) — известные функции своих аргументов U и Ѳ.

Ранее было показано (см. главу I), что наблюдения Xj можно достаточно хорошо классифицировать, если удается хорошо оценить параметры Ѳг и вероятности я г, и число компонент k, которые опреде­ ляют смесь

h(U)= 2 ni f(U\Qi).

І = 1

Таким образом, для того, чтобы различить смесь h (U) или класси­ фицировать Xj из выборки {Xj} (/ = 1, 2, ..., п) следует оценить:

число классов (компонент), входящих в смесь, т. е. число k различных функций / (Л/ | Ѳг) в смеси;

доли каждого класса — вероятности яф;

распределение каждого класса, т. е. оценить параметр Ѳг или функцию / (U I Ѳг).

Это означает, что следует оценить по данным Х г, Х 2, ..., Х п пара­

метр Ѳ, компонентами

которого

являются

числа k я 1( я 2, ...,.

k

 

 

 

 

 

= 1), Ѳь

Ѳ2,

...,

Ѳй, т. е.

 

 

і= I

 

 

 

 

 

Ѳ“

(^, jTj,

я 2, ...,

Ѳі, Ѳ2, ...,

Ѳ,).

Отсюда следует, что при неизвестном k не определена даже размер­ ность пространства неизвестных параметров.

В работе [6] доказано, что существуют состоятельные оценки всех этих параметров. Идея доказательства состоит в следующем. Разли­

чимость смеси h (U) = J / (U I ѲdG (Ѳ) означает, что по h (U) £ Н функция G (Ѳ) = Gh (Ѳ) определена однозначно для любой h £ Н (см. § 1 гл. II). По результатам наблюдений Х г, Х 2, ..., Хп, получен­ ным из смеси к (U), строится подходящая состоятельная оценка плот­

ности смеси h (U) (см. § 3 гл I). Затем строится G (Ѳ) = G% (Ѳ), которая, оказывается состоятельной оценкой G (Ѳ). Метод, которым доказано существование состоятельных оценок, мало пригоден для практичес­ ких целей классификации. Поэтому в практических задачах еще бо­ лее ограничивают класс смесей. Обычно рассматривается следующая схема (модель) получения наблюдений Xj.

63

Пусть имеется целочисленная случайная величина ѵ (номер класса),

принимающая значения 1, 2, М (М — возможное число классов)

м

с вероятностями рг, р2, ..., рм (S

Рі = !)•

Для каждого значения ѵ

г—I

 

 

известно семейство плотностей

 

 

Fv — {/ (С/1 Ѳ; V),

U 6Х,

Ѳ6 в},

где Ѳ — конечное множество точек Ѳ (не более чем М 0) и Ѳ— параметр, принимающий какое-либо случайное, с распределением рѵ (Ѳ), но фик­

сированное значение для всей выборки (X)', Х\, ..., XJ, ...}. Выборка получена по следующему правилу: на каждом шаге t вначале разыг­ рывается значение ѵ с вероятностями ріу не зависящими от t, затем

для каждого ѵ = і выбирается Ѳг- £ Ѳ*,

если этого не было сделано

раньше, с

помощью известного распределения

pt (Ѳ) и,

наконец,

по f (U I Ѳѵ;

ѵ) разыгрывается значение X j (t =

1, 2, ...).

 

Таким образом, мы сталкиваемся с

последовательностью точек

X t, которые распределены по закону

 

 

 

 

 

MXM«

 

 

 

 

 

h(U)=

Z

f {UI

Ѳг) я г,

 

 

 

 

і = 1

 

 

 

 

где f (U \ ді) = f (U I Ѳ, i), а

Яі =

pi (Ѳ) pt — вероятность

того, что

параметр принял значение Ѳг. Некоторые pt могут быть равны нулю, поэтому действительное число классов k ^ М.

В этой модели мы имеем дело уже с пространством фиксированной размерности, поэтому задача классификации (различения смеси) несколько упрощается, так как нам следует оценить только параметры Ѳг и itj, т. е. параметр Ѳ = (яг, Ѳг) по наблюдениям Xj из смеси h (U). Дальнейшее упрощение модели уже связано с предположениями типа:

а)

вероятности рі — известны, б) вероятности

рі (Ѳ) — известны

В работе [8] приводится несколько алгоритмов состоятельного

оценивания параметра

Ѳ, когда

предположение а)

не выполнено,

а предположение

б) выполнено.

В предположении

о различимости

смесей,

состоящих

из

компонент

семейств Fv (т. е.

м

h (U) tfL U Fv)

V = 1

и при некоторых дополнительных, довольно общих предположениях

доказано, что байесовские оценки Ѳдля Ѳединственны и состоятельны. Более того, существуют числа с, 0 < с <Z <х>, % > 0 и зависящее от функций f (U\Q) число s > 0 такие, что при п > п0

М{IѲ—Ѳ||2}^ cn~s.

Вработах [5] и [9] приводится обзор методов различения смесей, когда выполнены предположения а) и б) вместе. Эти методы основаны на определении апостериорных вероятностей параметров Ѳг по апри­

орным и имеют ряд серьезных недостатков как теоретического, так и вычислительного планов.

Далее мы остановимся подробнее на одном специальном случае оценки параметров смеси, для которого вычислительные процедуры достаточно просты и хорошо обоснованы.

64

§3. СМЕСИ И МЕТОД МАКСИМАЛЬНОГО ПРАВДОПОДОБИЯ

1.Общие свойства метода

Рассмотрим задачу классификации наблюдений, когда известны виды плотностей, каждая из которых определяет однородную гене­ ральную совокупность — класс. Параметры совокупности неизвестны,

наблюдаемые

р-мерные точки Х и Х 2, ..., Хп независимы и получены

из смеси k

классов.

Априорные

вероятности я г появления точки

из класса с номером і (і— 1, 2, ...,

k) неизвестны. Таким образом, наб­

людения Лц

Х 2, ...,

Хп можно рассматривать как выборку из гене­

ральной совокупности с плотностью распределения

 

 

h(U)= І

« і/(і/|Ѳ г),

 

 

г = 1

где f (U I Ѳ;) — плотность распределения вероятностей в і-ш классе, который определяется векторным параметром Ѳг.

В предположении, что смесь h (U) — различима, можно ставить задачу о классификации членов последовательности {Х;} на& классов. Задача классификации была бы решена, если бы удалось оценить не­ известные Я; и Ѳг по результатам наблюдений Х ъ Х 2, ..., Х п. Подход, использующий метод максимального правдоподобия для оценивания

параметров я г-

и Ѳ;,

рассмотрен в работах [2], [3], [4].

 

Обозначим набор всех неизвестных параметров через Ѳ. Таким

образом, если

все

Ѳг

различны,

то

 

k

 

 

 

Ѳ=

(лу,

я2, ..., я^, Ѳи Ѳ2, •• •» 0/і),

ny = 1•

 

 

jiu

 

 

 

 

 

 

 

 

 

i = 1

 

 

Если неизвестные параметры Ѳг каждого класса распадаются на два

множества

Ѳіг и Ѳ2І,

таких, что Ѳіг меняются при переходе от класса

к классу, а Ѳзг

одинаковы для всех классов (Ѳ2І =

Ѳ2), то

 

 

 

 

 

 

 

 

k

 

 

Ѳ—■(я^, Я2,

... ,Я^, Ѳш Ѳ^2» •1 » @ikt ^2)’ і= 1

^ •

Аналогично можно

 

поступить,

если

известно,

что

nit = я І2 =

= ... — Я;

И Т. Д.

 

 

 

 

 

 

 

 

В принятых обозначениях логарифмическая функция

правдоподо­

бия имеет вид

 

 

 

 

 

 

 

 

 

 

ln L (0)

 

п

ln h(Xj)=

п

Г k

nJiXjlQi) .

 

 

2

2 ln

2

 

 

 

/ =1

 

1 = 1

Li = i

 

 

 

Требуется определить такую точку Ѳ, для которой

InL (é) = шах ln L (Ѳ),

ѳ 6 в

где Ѳ — множество допустимых значений параметров. Обозначим через Р (і I Xj) вероятность наблюдать класс і при получении точки

3 Зак* 358

65

Xj, тогда в соответствии с правилом вычисления условных, в данном случае так называемых апостериорных вероятностей

P(i\Xj)

Щ f (Xj I Ѳі)

~

 

2 пі f IXі [ Ѳг)

 

і= 1

k

Введем вспомогательные величины gi} ^ 0, такие, что 2 ёи — 1

г=1

для любого /. В этом случае выражение для ln L (Ѳ) можно предста­ вить в виде

1 п І ( Ѳ ) = 2

2

г У

1 п яi t , +ёи^2п fiXjlQi) -

і= 1і = 1

 

 

і = 1/ = 1

V

V

1

*чНХ}\Ѳі)

2 j

2j

ëu ln — -----------------

^ i mf(Xj\Qi)

/ = 1

и использовать итерационную процедуру для определения точки Ѳ,

вкоторой достигается максимум ln L (Ѳ). Итерационная процедура состоит в следующем.

Пусть на шаге

t процедуры получено значение Ѳ(і) =

(я (/ ),

...

...,

я**,

Ѳ(/ \

Ѳг\

....Ѳ**),

при ^ — О Ѳ<0) —начальные данные.

 

Положив

 

 

 

 

 

 

 

 

 

 

 

 

 

 

2

»!°/ (*,W > ) ’

 

 

 

 

 

 

 

 

(=1

 

 

 

 

 

 

 

следует определить такие величины Ѳ(/ +!>

и

я (! + >),

для

которых

выражения

 

 

 

 

 

 

 

 

 

 

 

 

 

É

^ р Іп /^ - ІѲ Л

(/ —1,

2,

... , &)

 

 

 

и величина s

( I

gjj) j ln Я;

достигают максимума.

Легко обна-

 

 

 

 

 

 

k

п

 

 

 

 

 

ружить,

что максимум величины

2

2 ёи 1п пг по я г

ПРИ

условии

k

 

 

 

 

 

»■= 1/= 1

 

 

 

 

 

2

Я ;= 1

достигается в точке

 

 

 

 

 

 

 

і = і

 

 

 

 

 

 

 

 

 

 

 

 

П

66

поэтому

+ ? + Ч

 

 

 

/

= 1

 

 

Определить максимум выражения

 

 

 

 

S fi# )]n /№ i0 f)

а = і , 2 ,.... k)

 

 

/= 1

 

 

 

 

 

по Ѳ; гораздо

проще,

чем определить

максимум

выражения для

ln L

(Ѳ) по

Ѳ= (jt1(

л 2,

nk, Ѳъ Ѳ2,

ѲА).

Далее (см. п.

2 § 3

главы

II) будут

приведены

выражения для

00+ 1)^ которые максимизируют

Vgjj) ln n X t \ Q t)

/= 1

при заданных gj.n

для

частного случая,

когда /({/|Ѳ г) — плотности

нормального распределения .

можно

продолжить итерационную

Зная теперь 04+ ч

и лЧ + Ч,

процедуру

с

Л2

 

, ... ,

Jl,

 

Ѳ

= (л l'

+ 1)

 

0 + 1)

0 + 1)

0

 

TT'

 

Прежде чем излагать основные результаты об итерационной про­ цедуре, приведем несколько замечаний и обратим внимание читате­ ля на то, что вспомогательные величины имеют смысл апостериорных вероятностей, а именно

З а м е ч а н и е

1. Полезно знать

поведение

 

 

 

k П

 

 

l n L (0( ( + 1 ) ) = 2 2 Р (І) ( / | ^ )1п я (*+ 1 , +

 

 

 

і= 1/= 1

 

 

+

2 2

Pit)(i\Xj)\ nf {Xj \Q{ti + l)) ~

 

*

і = 1/=1

 

л^"ЧЧ/(х I н0+ ч\

 

п

 

 

- 2

2

 

П< 'А I + '

>

і = і /= і

2

" (/ + , ) / ( ^ | ѳ<і<+1>)

 

 

 

і = 1

 

при возрастании числа итераций t, чтобы в случае сходимости быть

уверенным в сходимости к максимуму.

полезно знать про­

З а м е ч а н и е

2.

Если

0* = (Ѳ1І; Ѳ2), то

цедуру, которая давала бы максимум величине

 

2

І

P { t)

j X j ) In / (X; I Ѳі;,

Ѳ2)

і\= 1/ = 1

 

 

по всем Ѳі; и Ѳ2.

 

 

 

 

3*

 

 

 

67

З а м е ч а н и е

3. Для целей классификации следует

знать по­

ведение

(і | Xj)

с ростом t, так как в случае сходимости

(i |ХД

к величине Р (i\Xj) имеется возможность классифицировать наблю­ дение Xj. Для этого можно использовать правило классификации, состоящее в том, что наблюдение Xj относится к классу і0, если

Р01X j ) — max P(i\Xj).

Вработе [2] доказана

Т е о р е м а

1.

Если

и

значения

Ѳ на t-м и (t

+ 1)-м

шагах приведенной ранее итерационной процедуры и Ѳб) ф

 

тогда

 

 

 

 

 

 

 

 

 

ln L (0^ + ')) >

ln £ (Ѳ<г)).

 

 

Можно доказать1,

что справедлива

с <С оо

для

Ѳ£ Ѳ и P ( t)

( і | X j )

Т е о р е м а

2.

Если ln

L (Ѳ) ^

и P(t+ и (i I Xj)

величины,

полученные на

t-м

и (t + 1)-м

шагах

итерационной процедуры, то

Нт [Р(< + 1) (i I X })— Pi*>(i j Xj-)] = 0.

Рассмотрим подмножество Ѳ0 множества Ѳ, состоящее из таких точек, которые не изменяются за один шаг итерационной процедуры. Это множество естественно назвать множеством неподвижных точек.

Можно доказать [2], что справедлива

Т е о р е м а

3. Если множество

неподвижных точек Ѳ0 состоит

из изолированных точек

 

Ѳ

(щ, я 2, •.. , л-k, öj,

Ѳ2, .. • , ѲА) £ 0Q,

то при числе итераций t -> оо сходится к одной из точек Ѳ и эта точка является решением системы уравнений

д ln L (Ѳ) _ Q

дѲ

 

- - W J ( і = і , 2 ,..., k),

2

дпі

і= 1

Система уравнений, записанная в теореме 3, является хорошо из­ вестной системой уравнений правдоподобия, которая может быть

1 В работе [2] не указано условие ограниченности in L (0), которое необхо­ димо для доказательства теоремы 2.

68

для Ѳ; = (Ѳі;, Ѳ2), как указано в [4], представлена в виде

я,-

 

 

 

/=1

 

 

 

 

 

2}Р{І\ Xj) - 1п/^

І 8іи

^

= о,

П

 

/= 1

1 1

дѲи

 

 

 

Р(ЦХі)

д \nfjXj I §и , е2)

= 0

(і = 1, 2 ,..., к).

2

2

/= 1

і= 1

 

дѲг

 

 

 

Множество решений уравнений правдоподобия Ѳх шире, чем мно­ жество неподвижных точек Ѳ0 итерационной процедуры, так как кро­ ме точек максимумов множество Ѳх содержит множество точек мини­ мумов функции правдоподобия, некоторые точки перегиба и т. д. Поэтому естественнее находить процедуры определения максимума ln L (Ѳ), а не процедуры решения уравнений правдоподобия.

2. Смеси нормальных классов

Исследуем теперь задачу оценки параметров смеси, состоящей из известного числа k классов. При этом известно также, что каждый объект X класса і представляет собой элемент нормальной генеральной

совокупности N (üj, 2) и at различны для разных классов, а 2

совпа­

дают,

но неизвестны компоненты ни at (і = 1, 2, ..., k),

ни 2.

Кроме

того,

неизвестны априорные вероятности классов л г =

1, 2,

..., k).

Легко проверить [3], что в этом случае

exp [а/ Kj + ßi]

P(i\Xj)

2exp [агХу- + ßj]

i= 1

где

«i = 2

и ßi = —

1at + ln n i.

Учитывая результаты предыдущего параграфа, нам следует опре­ делить процедуру, которая максимизировала бы

lnL ; = 2

P ^ (i \X j) ln

- г ( х і - аіу

L (2 < /2I2 1/ 2

i= 1

 

для at и 2 , или, учитывая замечание 2, определить процедуру, которая максимизировала бы

S1 п Іг =

і= 1

=2

2

(2я)Р/2| 2 і,/2

«=i /= 1

69

если только Р^Ці \ X t)-= g\j каким-либо способом уже получены. Эта процедура даст нам величины Ѳц-+1)-=а(/ +1) для (гЧ~1)-го шага

и 02+ 1> = 2(Ж > по Данным ѲіУ

и Ѳ^°.

Две

последующие теоремы

определяют точку максимума для ln Lt

 

k

ln Lt в итерационной

и

2

процедуре, приведенной в п. 1

настоящего

і—1

параграфа.

Для простоты их формулировки будем опускать индекс t, подчер­

кивающий

связь

с

шагом процедуры. Если последовательность gu

=

1,2,

...,& ;/

=

1,2, ...,

п) такова, что

 

 

 

 

 

 

П

 

П

 

 

 

g i j> 0 ,

s

8ti = g t > ° <

S g i = n,

 

 

 

 

 

/=1

 

I—i

 

то справедливы следующие теоремы.

 

последователь­

Т е о р е м а

4.

Пусть

gtj — определенная выше

ность и / (U I Ѳг)—р-мерные нормальные плотности, такие, что Ѳг= (аи

2 г).

Тогда для любых векторов-столбцов Хь Х 2, ...,

Хп величины

ln Li

(i =

1, 2, ...,

п) достигают максимума при

 

V

 

 

 

 

 

8l

1=1

 

 

 

 

 

 

Т е о р е м а 5. Пусть

gtj — определенная

выше

последователь­

ность и /

(U\ Ѳг) —р-мерные нормальные

плотности, такие, что Ѳг =

= (аг, 2),

тогда для любых векторов-столбцов Хь Х2, ..., Х„ величина

k

 

 

 

 

 

 

 

 

 

 

 

 

 

2 ln Li

достигает максимума

при

 

 

 

 

 

і= і

 

 

 

 

 

 

 

 

 

 

 

 

 

а,

 

~

2

в « х >- 2

 

2

2

<

 

*

!

- “ .)'

и

 

 

/ = 1

 

 

 

І=1/=1

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

п

 

 

 

 

 

шах

V

InL,

 

— ^

[In (2л)] —

 

In

 

 

 

 

 

~2

 

 

 

 

at. 2

I= 1

 

 

 

 

 

 

 

 

 

 

1

 

 

 

 

 

 

 

 

 

При доказательстве этих теорем используется следующая

Л ем м а.

Пусть Хх, Х2, ..., Х п—р-мерные векторы-столбцыgj^ О

для / =

1,

2, ....

п и g1 + g2 +

... + gn = g >

0.

 

Тогда для

любого I

 

 

 

 

 

 

 

 

 

2

 

 

= 2

gt(x J — a)(Xj— а)' + g { a — l ) { â ~ І)',

/= 1

 

 

 

 

/=і

 

 

 

 

 

 

 

где

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

т

/2= і*

х '-

 

 

 

 

70

Доказательство этой леммы совершенно аналогично доказатель­ ству леммы 3.2.1 из работы [1, с. 66].

Далее, используя рассуждения, аналогичные тем, которые приве­ дены в работе [1, с. 66—67], получим, что

 

k

 

 

 

 

 

 

 

k

n

 

 

2 ln L,

 

 

 

2

2

g ij + J - \ n \ W

2 2

ga-

 

/= 1

 

2 1п(2 я ) i=

1/ = 1

 

i= l/=1

 

 

 

 

 

 

 

 

k

g i {ai— a ) ' x¥{ai— â),

 

2

 

 

 

 

 

2

 

 

 

 

 

 

 

 

 

 

 

где

=

а ¥

= 2

*•

 

 

 

 

 

 

 

 

Результат леммы 3.2.2 из [1, с.

67] завершает доказательство тео­

ремы 5. Теорема 4 доказывается аналогично.

 

 

 

 

Таким образом,

показано, что при заданных

 

 

 

 

 

ра) (i I Xj) =

expk; {t) X' + Pi (0]

,

 

 

 

 

 

 

 

2

exp [ос/ (t) Xj + ßi (*)]

 

 

 

где

 

 

 

 

/'= 1

 

 

 

 

 

 

2« >

 

 

 

 

 

 

 

 

 

 

«г (*) =

И

ß* (t) = 2 - â; (t) 2 (0 â; (t) +

ln я |° ,

величины

 

k

n

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

2 a + i ) = — 2

 

 

 

 

a f ) ( X } - w y

 

 

 

 

n i=l/=l

 

 

 

 

 

 

 

 

 

 

 

 

2

P(0 (i I Xj) Xj

 

 

 

 

 

 

 

; « ) _ / = 1___________

 

 

 

 

 

 

 

 

 

 

 

2

p(0 (/i^ )

 

 

 

 

 

 

 

 

 

/=1

 

 

 

 

максимизируют

2

lnZ.£.

 

 

 

 

 

 

 

 

 

i=l

 

 

 

 

 

 

 

 

Далее легко получить, что

 

 

 

 

 

 

 

 

 

 

я (< +

і ) .

 

2

 

 

 

 

 

 

 

 

 

 

 

/=і

 

 

 

 

 

ѳ(t+ ,,- M

<+I). ^

+1), 2«+і))-

 

 

 

Если существуют пределы

 

 

 

 

 

 

 

 

 

 

1 іт я /0 =

я г,

1 іта-° = йг,

 

 

 

 

 

 

/ 00

 

 

 

t~УОО

 

 

 

 

 

 

 

t =

1, 2, ... , k,

 

 

 

 

 

 

 

 

П т 2(0 = 2

 

 

 

 

 

 

 

 

£->■oo

 

 

 

 

 

71

а(1):

то точка Ѳ = (jtjL, я 2, nh, аь а2, ..., ak, 2) является точкой макси­ мума функции правдоподобия, возможно, правда, что этот максимум

является локальным.

в

качестве начальных

данных

можно

задать

Легко

видеть, что

не точку

Ѳ(°) =

(яі0),

...,

л40), а '0’, ..., а[0),

2 (0)), а

набор величин

а і (0), ßj (0), с

помощью которых можно получить Р(°) I Xj)

и т. д.

Именно такая итерационная процедура предлагается в работе [3]. З а м е ч а н и е . Точки, для которых Р (i [X,-) = l/k являются

неподвижными точками итерационной процедуры, но представляют собой посторонние точки, так как в этом случае а* = а (і = 1, 2, ..., k).

В случае двух классов (k = 2), как показано в работе [3], проце­

дура сильно упрощается. Для

произвольных а'

(0) = (а2 (0), ...,

ah (0)) и ß (0), имеем

 

 

 

 

(1 I Xj)

------■---- --- ——

,

 

1 +ехр [а' (0) Xj + ß (0)]

Р(0) (2 I Xj) =

1 —Р<0>(1 I Xj),

 

 

V

рО)(/ \Xj)X}

 

 

а<°>-І=2___________

у

 

и1

 

 

 

V

p(0)(f|Xj)

 

 

 

/ = 1

 

 

2 P{0){i\Xj).

Далее определяются уточнения а и ß следующим образом:

Ѵ-Наі0)- а [ 0])___________

і - п(°) (1 - я (0)) (4 °> -4 °> )' У - 1( 4 ° ) - 4 ° ) )

ß ( l ) = ------ а'(0) (4°) +

 

тО)

а<2°>) + In

где

 

 

т(0)

 

 

 

V = ^ V ( X j - X ) ( X j - X Y ,

* = ~

І

 

Xj.

п

-Ad

 

 

/= 1

 

Подставляя а (1) и ß (1) вместо а (0) и ß (0), можно итерационную процедуру продолжить до тех пор, пока значения а и ß не перестанут

изменяться. Далее, после того как значения а и ß установятся, можно определить оценку ковариационной матрицы

У[={ X j - â i) ( x j - â 1y p ( i \ x ])У +

лтЛ П

/= 1

+ (X j- "a 2) ( X j - â 2) ’ P (2 \X i)].

72

Соседние файлы в папке книги из ГПНТБ