|
|||||||
АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция |
Алгоритмы оценивания МНКА) Общий вид алгоритма Где является весовой матрицей Матрица Грама (симметрическая, квадратная), у неё должен быть детерминант не равный 0, т.е. все строки и столбцы не зависимы. Должна быть устойчивой вырожденной, матрица получения МНК оценки называется регулярной. Б) Рассмотрим различные варианты применения МНК 1) Простой МНК W=E, где E – единичная матрица. Из (*) следует: 2) Обобщенный метод МНК Если в прошлом варианте мы считали ошибки измерений по характеру одинаковыми, то здесь считаем их разновеликими и будем учитывать их с весом, который обратнопропорционален Чем хуже мы меряем (чем больше дисперсия погрешности измерений) тем меньший вес нужно предавать в общей разработке, иначе мы будем ухудшать высокоточные измерения. Квантово-оптические средства обладают высокоточными средствами имеют ряд недостатков. вектор состояния сложной динамической системы, в качестве которой может быть движение КА. Начальным моментом времени может быть в момент начального витка измерений. Характерные точки на орбите КА: восходящий узел, нисходящий узел, апогей перигей, наивысшая точка орбиты, низшая точка орбиты. Ф – матрица частных производных по оцениваемым параметрам. В) Точность МНК оценок обычно выбрасываются, т.к. отличаются от прогнозируемой траектории
Существуют различные методы и критерии для отбраковки аномальных измерений. При запуске при 100 измерениях за 3 минуты может быть до 50% аномальных измерений. Но мы считаем что мы работаем с обработанными данными и аномальных нет. Про систематическую составляющую как правило ничего не известно. Введём некоторую матрицу Тогда берём математическое ожидание от оценки Очевидно - по условию задачи Тогда: А какой же будет разброс? Если бы было известно систематическое ожидание можно было бы вычислить реальную оценку. Оценка характеризуется законом распределения. Если Гаусса, то тут 2 момента: Мат ожидание и дисперсия. Систематическая составляющая накладывается дополнительно. Т.к. говорим не только о корреляционной матрице в данный момент времени, но и о всех измерениях. Пусть Поиск по сайту: |
Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Студалл.Орг (0.003 сек.) |