Changeset 930 for applications/dual/SIDP/text/ch2.tex
- Timestamp:
- 05/09/10 22:10:09 (14 years ago)
- Files:
-
- 1 modified
Legend:
- Unmodified
- Added
- Removed
-
applications/dual/SIDP/text/ch2.tex
r919 r930 52 52 53 53 \section{�zen�yst� s nezn�mi parametry} 54 Pokud chceme � syst� jeho� v�z�s�a n�k�nezn�m konstant�parametru $\theta$, m� vyu��znalosti ��robl� s ne�m pozorov�m. 54 Pokud chceme � syst� jeho� v�z�s�a n�k�nezn�m konstant�parametru $\theta$, m� vyu��znalosti ��robl� s ne�m pozorov�m. Parametr $\theta$ bude reprezentovat stav syst� $x_t$, kter�yn� �e nem�. 55 55 56 56 V t� � m� v� syst� $y_t$ pops� jako 57 57 \begin{equation} 58 58 \label{poz2} 59 y_0=h_0(\theta,v_0),\qquad y_t=h_t( 59 y_0=h_0(\theta,v_0),\qquad y_t=h_t(I_{t-1},\theta,u_{t-1},v_t), \qquad t=1,\ldots,N-1, 60 60 \end{equation} 61 61 … … 65 65 \end{equation} 66 66 67 Ozna� $\theta_t$ rozlo�en�dhadu pro parametr $\theta$ v �e $t$. P�kl�jme d�, �e o parametru $\theta$ m� n�kou apriorn�nformaci v podob�ustoty pravd�dobnosti $f(\theta_0)$. Aposteriorn�ustotu $f(\theta_{t+1}|I_t)$ z�� pomoc�ayesova vzorce 67 Ozna� $T_t$ testovac�tatistiku pro parametr $\theta$ zalo�enou na informac� dostupn� �e $t$. Do $T_t$ zahrneme rovnez ty cleny $I_t$, kter�ystupuj� \eqref{poz2}, abychom mohli ps� 68 \begin{equation} 69 \label{poz3} 70 y_{t+1}=h_t(T_t,\theta,u_t,v_{t+1}). 71 \end{equation} 72 73 P�kl�jme d�, �e o parametru $\theta$ m� n�kou apriorn�nformaci v podob�ustoty pravd�dobnosti $f(\theta|T_0)$. Aposteriorn�ustotu $f(\theta|T_{t+1})$ z�� pomoc�ayesova vzorce 68 74 \begin{equation} 69 75 \label{bay} 70 f(\theta _{t+1}|I_t)=\frac{f(I_t|\theta_{t+1})f(\theta_t)}{\int f(I_t|\theta_{t+1})f(\theta_t)\mathrm{d}\theta_t}76 f(\theta|T_{t+1})=\frac{f(T_{t+1}|\theta,T_t)f(\theta|T_t)}{\int f(T_{t+1}|\theta,T_t)f(\theta|T_t)\mathrm{d}\theta} 71 77 \end{equation} 72 Rekurzivn�ou�it�zorce \eqref{bay} pro odhad parametru $\theta$ je postup Bayesovsk� u�� ref].78 Rekurzivn�ou�it�zorce \eqref{bay} pro odhad parametru $\theta$ je postup Bayesovsk� u��cite{peterka1981bayesian}. 73 79 74 Ozna� $T_t$ doste�u statistiku pro $\theta_t$. Potom dle \eqref{bay} m�ps�80 Pro v�estovac�tatistiky v �e m� podle \eqref{bay} ps� 75 81 \begin{equation} 76 82 \label{the} 77 T_{t+1}=f_t( I_t,T_t,u_t,y_{t+1}), \qquad t=1,\ldots,N-1.83 T_{t+1}=f_t(T_t,u_t,y_{t+1}), \qquad t=1,\ldots,N-1. 78 84 \end{equation} 79 Rovnici \eqref{the} m� podobn�ako \eqref{nep} pova�ovat za rovnici syst� \eqref{sys} pro stav $ (I_t, T_t)$,vstup $u_t$ s �umem $y_{t+1}$.85 Rovnici \eqref{the} m� podobn�ako \eqref{nep} pova�ovat za rovnici syst� \eqref{sys} pro stav $T_t$ a vstup $u_t$ s �umem $y_{t+1}$. 80 86 81 Hustota pravd�dobnosti p arametru $\theta$ v rovnici pro v�\eqref{poz2} je v �e $t$ ur�a dostate�u statistikou $T_t$. Rovnice \eqref{the}, \eqref{poz2} a \eqref{los2} potom p�avuj�lohu stochastick� �� nep�mi daty.87 Hustota pravd�dobnosti pro odhad parametru $\theta$ v rovnici pro v�\eqref{poz3} je v �e $t$ ur�a testovac�tatistikou $T_t$. Rovnice \eqref{the}, \eqref{poz3} a \eqref{los2} potom p�avuj�lohu stochastick� �� nep�mi daty. 82 88 83 89 \subsection{Kalman�ltr}