主要内容

选择适应方法

您使用该算法指定算法适应方法自适应查找表块的“功能块参数”对话框中的下拉列表。本节讨论了这些算法的细节。

样本平均值

样本平均值提供平均值N.输出数据样本并定义为:

y ^ N. 的) = 1 N. σ. 一世 = 1 N. y 一世 的)

在哪里y一世) 是个一世在特定的测量中收集的测量细胞。对于每个输入数据,使用输出数据测量更新相应小区处的样本意味着,y。而不是积累N.每个单元的数据样本,使用递归关系来计算样本均值。通过以下等式获得递归表达:

y ^ N. 的) = 1 N. [ σ. 一世 = 1 N. - 1 y 一世 的) + y N. 的) ] = N. - 1 N. [ 1 N. - 1 σ. 一世 = 1 N. - 1 y 一世 的) ] + 1 N. y N. 的) = N. - 1 N. y ^ N. - 1 的) + 1 N. y N. 的)

在哪里yN.) 是个N.数据样本。

定义先验估计错误作为 E. N. 的) = y N. 的) - y ^ N. - 1 的) ,递归关系可以写作:

y ^ N. 的) = y ^ N. - 1 的) + 1 N. E. N. 的)

在哪里 N. 1 和初始估计 y ^ 0. 的) 是任意的。

在此表达式中,只有样本数量,N.,对于每个细胞而不是N.数据样本 - 存储在内存中。

样本意味着忘记

适应方法样本平均值有一个无限内存。过去的数据样本具有与计算样本平均值的最终样品相同的重量。样本意味着(忘记)使用一个算法忘记因素要么适应增益这对更新的样本进行了更多的重量。该算法为植物的初始响应瞬态提供鲁棒性和可调节的适应速度。样本意味着(忘记)被定义为:

y ^ N. 的) = 1 σ. 一世 = 1 N. λ. N. - 一世 σ. 一世 = 1 N. λ. N. - 一世 y 一世 的) = 1 σ. 一世 = 1 N. λ. N. - 一世 [ σ. 一世 = 1 N. - 1 λ. N. - 一世 y 一世 的) + y N. 的) ] = S. N. - 1 的) S. N. 的) y ^ N. - 1 的) + 1 S. N. 的) y N. 的)

在哪里 λ. [ 0. 1 ] 是个适应增益 S. K. 的) = σ. 一世 = 1 K. λ. N. - 一世

定义先验估计错误作为 E. N. 的) = y N. 的) - y ^ N. - 1 的) , 在哪里 N. 1 和初始估计 y ^ 0. 的) 是任意的,递归关系可以写作:

y ^ N. 的) = y ^ N. - 1 的) + 1 S. N. 的) E. N. 的) = y ^ N. - 1 的) + 1 - λ. 1 - λ. N. E. N. 的)

λ的一个小值导致更快的适应性。价值0.表示短内存(最后数据变为表值)和值1表示长内存(在单元格中接收的所有数据)。