2015-05-13
1017
Рассмотрим объект (рис. 3.1) с входом 
, который может быть вектором 
, и выходом y – скаляр.
Рис. 3.1. Объект исследования
Существует некоторая неизвестная взаимосвязь между входом и выходом 
. Необходимо оценить данную взаимосвязь, построив модель 
.
При восстановлении зависимости
(3.1)
в задачах идентификации статических объектов различают два типа исходной информации:
- структурные данные 
, которые отражают априорные представления 
о виде 
;
- статистические данные 
, которые содержат сведения о наблюдении 
.
На рис. 3.2 можно выделить три основных вида структурных данных, представляющих сведения о виде зависимости 
:
- область 
- зависимость существует;
- область 
- зависимость однозначна, т.е. каждому 
соответствует одно значение 
;
- область 
- известна информация о виде зависимости (3.1) 
.
Рис. 3.2. Классификация моделей статических объектов
Параметрические алгоритмы применяются в том случае, если кроме обучающей выборки известна информация о виде искомой зависимости, т.е. исследователь знает или предполагает, что зависимость (3.1) может быть представлена в виде некоторого полинома (
- вектор параметров полинома). Тогда задача восстановления стохастической зависимости (3.1) сводится к определению неизвестных коэффициентов полинома.
Непараметрические алгоритмы ориентированы в основном на использование информации, содержащейся в точках обучающей выборки. Важным условием их применения является однозначность восстанавливаемой зависимости (3.1).
Гибридные модели используют сведения как о виде зависимости , так и информацию, содержащуюся в точках выборки . Также возможны ситуации, когда вместо информации о виде зависимости имеется «старая» модель 
зависимости (3.1), которую необходимо скорректировать по новым данным 
, где 
.
На практике часто встречаются ситуации, когда искомые стохастические зависимости неоднозначны и имеют разрывы не только по своей природе, но и в следствии того, что существующая система контроля состояния объекта не даёт возможности измерять полный набор компонентов вектора входных переменных. Поэтому возникает задача создания подхода, позволяющего расширить круг решаемых задач моделирования. В этом случае используются самообучающиеся алгоритмы, где априорными сведениями является информация о существовании зависимости (3.1).
