Главная > Разное > Информационная теория идентификации
<< Предыдущий параграф
Следующий параграф >>
<< Предыдущий параграф Следующий параграф >>
Макеты страниц

§ 2.2. Асимптотические свойства оценок и средних потерь

Выясним асимптотические свойства оценок Для этой цели найдем асимптотическую матрицу ковариаций ошибок — АМКО

где

и

Обозначим, как и ранее в (1.6.13),

Тогда матрица запишется в виде

а из (2.1.12) получим

Но при больших в силу (2.1.14)

поэтому можно представить в виде

Полагая в и учитывая, что находим градиент эмпирических средних потерь при с — с

Используя обозначение (1.6.23)

запишем (с в виде

Что же касается матрицы Гессе то, как было установлено ранее в § 1.6 (см. (1.6.31)),

где

нормированная информационная матрица. Примеры информационных матриц приведены в 5 1.6 (см. табл. 1.1).

Подставляя из (2.2.10) и из (2.2.11) в (2.2.7), получим

Теперь уже нетрудно вычислить АМКО (2.2.1). После простых преобразований находим из (2.2.5), (2.2.13)

И хотя равенство (2.2.13) приближенное, полученная формула для АМКО (2.2.14) является точной. Поскольку строгий вывод этой формулы слишком громоздок, мы не будем его здесь приводить.

Преобразуем правую часть формулы (2.2.14). Учитывая (1.6.10), (1.6.11) и независимость помех, получим

А из (2.2.9), (2.2.12) следует, что

По в силу стационарности помехи

Поэтому АМКО (2.2.14) представляется в виде

Здесь обозначение фиксирует тот факт, что АМКО зависит как от функции потерь так и от плотности распределения помех

Сопоставляя найденное выражение АМКО (2.2.18) оптимальной выборочной оценки (2.1.4) с оптимального алгоритма (1.7.11), (1.7.12), заключаем, что они равны друг другу. А это значит, что оценки, порождаемые асимптотически оптимальным алгоритмом (1.7.11), (1.7.12), и оптимальные выборочные оценки являющиеся решением уравнения (2.1.5), имеют одинаковую асимптотическую скорость сходимости. Если же матрица в в рекуррентном алгоритме (1.7.1) или, что то же, матрица усиления в рекуррентном алгоритме (1.5.7) будет отлична от

(1.7.12), то асимптотическая скорость сходимости алгоритма уменьшается. Таким образом, при заданной функции потерь асимптотически оптимальный алгоритм имеет максимальную скорость сходимости, которая совпадает со скоростью сходимости оптимальной выборочной оценки Но если рекуррентные алгоритмы явно определяют оценки то оптимальную выборочную оценку яужно еще найти. А это сводится к непростой задаче — решению, вообще говоря, нелинейного уравнения.

Выясним еще асимптотические свойства средних потерь. Рассмотрим уклонение средних потерь

где, напомним, минимальное значение средних потерь.

Разложим по степеням с, ограничившись квадратичным приближением:

Замечая, что в силу условия оптимальности а матрица Гессе определяется выражением (2.2.11), представим в

Беря от обеих частей математическое ожидание, получаем приближенное выражение для уклонения средних потерь

Но, как нетрудно проверить,

где обозначает след матрицы. Принимая во внимание обозначение получаем

И, следовательно, уклонение средних потерь можно записать в виде

Назовем по аналогии с (2.2.1) величину

асимптотическим уклонением средних потерь характеризует асимптотическую скорость сходимости средних потерь к минимальным средним потерям Умножая обе часта (2.2.24) на и переходя к пределу при находим, учитывая (1.6.6) или (2.2.1):

Здесь представляет собой АМКО и определяется выражением (2.2.18). Подставляя из (2.2.18) в (2.2.26), получим

Производя очевидные сокращения и замечая, что где размерность вектора оценок, окончательно получаем

Отсюда следует, что АУСП пропорционально размерности вектора оценок.

<< Предыдущий параграф Следующий параграф >>
Оглавление