
- •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)Насыщенные планы. Симплекс.
Правильным симплексом называется выпуклая правильная фигура в многомерном пространстве, число вершин которой превышает размерность этого пространства на единицу.
Эти планы центральные и ортогональные.
Приведём для разнообразия один из общих способов построения планов:
2) Робастные оценки статистических параметров
есть
среднее арифметическое измеренных
значений выхода:
Для
расчета параметров
применим метод последовательной
линеаризации. Вначале находим квадратичную
аппроксимацию функционала
относительно
траектории (
),
на которой он построен:
а)
,
б)
,
в)
(6.5.4)
Теперь
подставим в правую часть уравнения (в
квадратичный функционал) линейную
аппроксимацию выхода модели
и решаем обычную задачу наименьших
квадратов
№16
1) Разбиение матрицы планирования на блоки
Считаем,
что выход объекта имеет аддитивный
дрейф на величину
(когда проводятся эксперименты с номерами
1, 2, 3, 4) и на величину
(когда проводятся эксперименты № 5, 6,
7, 8). Этот дрейф приводит к смещению на
величину
параметра
:
.
|
|
|
|
|
|
Номер блока |
1 |
+ |
+ |
+ |
+ |
|
1 |
2 |
– |
+ |
+ |
– |
|
2 |
3 |
+ |
– |
+ |
– |
|
2 |
4 |
– |
– |
+ |
+ |
|
1 |
5 |
+ |
+ |
– |
– |
|
2 |
6 |
– |
+ |
– |
+ |
|
1 |
7 |
+ |
– |
– |
+ |
|
1 |
8 |
– |
– |
– |
– |
|
2 |
Введем дрейфовую переменную и по ней получим 2 блока (табл. 3.8.2). Каждый блок представляет собой дробную реплику.
Таблица 3.8.2
|
|
|
|
|
|
|
1 |
+ |
+ |
+ |
+ |
|
|
2 |
– |
– |
+ |
+ |
|
Блок 1 |
3 |
– |
+ |
– |
+ |
|
|
4 |
+ |
– |
– |
+ |
|
|
5 |
– |
+ |
+ |
– |
|
|
6 |
+ |
– |
+ |
– |
|
Блок 2 |
7 |
+ |
+ |
– |
– |
|
|
8 |
– |
– |
– |
– |
|
|
№17
Обработка результатов эксперимента
Проверка однородности дисперсий
Проверка адекватности модели
Проверка значимости коэффициентов Если статистика Стьюдента
лежит внутри интервала (
), то принимается гипотеза о том, что коэффициент модели
незначимо отличается от нуля.
Интерпретация модели
2) Адаптивные алгоритмы подстройки параметров статистических моделей объектов
меняются
лишь весовые коэффициенты для моментов
измерений. Эти же весовые коэффициенты
переходят и в алгоритмы адаптивной
перестройки параметров
, ,
.
№19
Ротатабельное планирование
Если
дисперсия одинакова на равном удалении
от центра плана, то такой план называется
ротатабельным. Ортогональный план
первого порядка является ротатабельным.
равна
величине
.
Здесь
,
–
квадрат расстояния от точки
до начала координат
Композиционный
план второго порядка можно сделать
ротатабельным планом. Если ядром плана
служит полный факторный эксперимент
(т. е.
),
то
,
а если ядром служат дробные реплики
(
),
то
.