در این فصل روش های سیستماتیک شناسایی را با توجه ویژه به توسعه مدل باربینی کردیم که در فصل 1 عنوان شده بودند. ورودی و طراحی آزمایشگاهی برای شناسایی ارائه شده اند. اصول آماری و راهنماهای پارامتری معین برای اتخاب ساختارهای مدل، الگوریتم تخمین و ارزیابی کیفیت مدل ارائه شده اند. روش های تئوری اطلاعات برای مرتبه تعیین نیز بحث شده اند.

22-1 مقدمه

تا این جای متن، ما تئوری ها و اصول مختلف شناسایی، به ویژه ساختارهای مدل قطعی-بعلاوه-احتمالی گوناگون ، اصول و روش های تخمین مهم، و محاسبات ریاضی پیش بینی های محاسباتی برای مدل داده شده را مورد مطالعه قرار داده ایم. کاربرد این اصول برای توسعه مدل ، همانطور که مشاهده کرده ای، نیازمند ورودی و تصمیم گیری از هدف کاربر می باشد.

هدف این فصل، بیان مسائل ظریف و جنبه های توسعه مدل می باشد که فاصله ای بین تئوری و عمل تشکیل داده اند. این مسائل در زیر شرح داده شده اند:

1- طراحی ورودی با تولید داده آموزنده در ارتباط است  که به نوبه خود قابلیت شناسایی را تضمین می کند.

2-پیش-پردازش داده حذف ابزارها، مسیر و انحراف، کنترل داده های منحرف و از دست رفته، و پیش فیلترینگ را شامل می شود.

3- تخمین تاخیر ورودی-خروجی از داده با استفاده از روش های غیر پارامتری و پارامتری

4- دستورالعملهایی برای مدل های منتخب کوتاه فهرست از محموعه مدل ها در فصل 17

5-شرایط اولیه برای ساختن رگرسور و مدیریت کردن الگوریتم غیر خطی PEM برای تخمین مدل.

6- اندازه گیریهای آماری کفایت مدل، به عبارتی دقت، قابلیت اطمینان، و توانایی های پیش بینی.

7- روش ها و دستورالعملهایی برای اتخاب ساختار مدل و تعیین مرتبه.

طراحی ورودی یک مرحله بسیار مهم در شناسایی می باشد طوری که مسئول تولید داده آموزنده می باشد. وقتی این مرحله شکست می خورد، تمرین شناسایی صرفنظر از دقت زیاد در مراحل باقی مانده، منجر به مدل های ضعیف می گردد. راه حل های مسائل باقی مانده بر مبنای ترکیب آمارها، شهود و بینش استوار می باشد.  تخمین تاخیر-زمان می تواند به عنوان یک مسئله بهینه سازی دقیق در زمان یا ناحیه فرکانس،  با  تخمین های موثر پربازده بعدی فرموله گردد. به عبارت دیگر، در این جا هیچ روش خودکاری برای توسعه مدل وجود ندارد، و بنابراین، حقیقتا تجربه و دامنه دانش کاربر می تواند به ندرت با مجموعه ای از قوانین و فرمولها جایگزین شود. یک روش که در تمامی موارد به خوبی عمل می کند ، شروع با یک مدل ساده در ابتدا و به تدریج پیچیده کردن آن با استفاده از فیدبک کنترلهای تشخیصی مدل می باشد. آنالیزهای آماری تخمین های مدل، پیش بینی ها و خطاهای پیش بینی در تشخیص مدل نقش حیاتی دارند و بهبودهای ضروری برای مدل را ایجاد می نمایند. نیاز به گفتن نیست که تجربه و بینش کاربر در این زمینه ارزشمند است.

روش ها و دستورالعمل های بیان شده دراین فصل، در مطالعه موردی فصول 24 نشان داده شده است. همچنین قرار دادن جنبه های مختلف بیان شده در فصل در زمینه روش های سیستماتیک شناسایی عنوان شده در فصل 1 مفید است، در این جا برای راحتی مجددا تولید شد اند:

لطفا رای دهید
[Total: 0 Average: 0]

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *