Вектор - наблюдение - Голямата енциклопедия на нефта и газа, статия, страница 1

Вектор - наблюдение

Вектор на наблюдение 163 Смущения в CTS 9, 10, 34 импулсивен 19, 128 яд. [1]

Векторът на наблюдение Y e H и белият шум v e L, re M K, където H, L, K са крайномерни евклидови пространства със съответните скаларни продукти и норми, M е изпъкнал централно симетричен компакт. [2]

Да приемем, че векторът на наблюдение е случаен вектор с условна плътност на вероятността в зависимост от това дали този вектор принадлежи към определен клас. Ако условната плътност на вероятността е известна за всеки клас, тогава проблемът с разпознаването на образи се превръща в проблем за тестване на статистическа хипотеза. [3]

Извадката е съставена от вектори на наблюдения с размерност n q, получени чрез повторение на експеримента TV-кратно по схемата на латинските квадрати. Всички примерни вектори имат едно и също математическо очакване, дефинирано в (16), което съответства на предположението, че има постоянни ефекти на факторите. Целта е да се избере най-простият модел, съответстващ на наблюденията и да се получат оценки на неговите параметри. [5]

Тук X има значението на вектор за наблюдение. [7]

В случай на неизвестни ковариации на вектора на изходните наблюдения на многомерна стохастична система, проблемът за идентифициране включва както оценка на неизвестните параметри на системата, така и оценка на неизвестните ковариации. При решаването на последния проблем е препоръчително да се вземе предвид възможнотоограничения върху структурата на ковариациите. [8]

На всеки връх се задава вектор за наблюдение, сумата от чиито компоненти е равна на нула, а дължината е равна на единица. [9]

В този случай r играе ролята на вектора на наблюдение в линейния регресионен модел (r, RQ, V), φ е векторът на грешката на измерване, а случайните вектори φ и θ не са корелирани. [10]

Основният метод за решаване на задачи от този тип е осредняването на последователност от вектори на наблюдение. Това постига ефекта на филтриране на шума и намаляване на броя на наблюдаваните вектори до един вектор на очакване. По този начин е възможно, поне теоретично, да се получи нулева класификационна грешка, ако векторите на очакванията на двата класа не са равни един на друг. Въпреки това, тъй като е невъзможно да се получи безкрайна последователност от наблюдавани вектори, е необходимо да има условие или правило, което позволява да се вземе решение за края на процеса на наблюдение. Математическият метод за решаване на проблеми от този тип е апаратът за последователно тестване на хипотези, който ще бъде разгледан в този параграф. [единадесет]

Основният метод за решаване на задачи от този тип е осредняването на последователност от вектори на наблюдение. Това постига ефекта на филтриране на шума и намаляване на броя на наблюдаваните вектори до един вектор на очакване. По този начин е възможно, поне теоретично, да се получи нулева класификационна грешка, ако векторите на очакванията на двата класа не са равни един на друг. Въпреки това, тъй като е невъзможно да се получи безкрайна последователност от наблюдавани вектори, е необходимо да има условие или правило, което позволява да се вземе решение за края на процеса на наблюдение. Математическият метод за решаване на задачи от този тип е апаратът за последователна проверка на хипотези, койтоще бъдат обсъдени в този параграф. [12]

По-нататък ще приемем, че векторът на състоянието съвпада с вектора на наблюдение. [13]

В това, което следва, за простота се приема, че векторът на състоянието съвпада с вектора на наблюдение. [14]

По подобен начин може да се приложи дискретен детерминистичен наблюдател към дискретен обект (20.59) с вектора на наблюдение rn Hxa. [15]