Документация

Среднее значение выборки

Sample mean обеспечивает среднее значение < reservedrangesplaceholder0 > выходов данных и определяется как:

где y (i) является i^th измерения, собранные в конкретной камере. Для каждого входных данных u, среднее значение выборки в соответствующей камере обновляется с помощью измерения выходных данных, y. Вместо того, чтобы накапливать n выборки данных для каждой камеры, рекурсивное отношение используется, чтобы вычислить среднее значение выборки. Рекурсивное выражение получается следующим уравнением:

где y (n) является n^th выборка данных.

Определение априорной ошибки расчета как $$e(n)=y(n)-\widehat{y}(n-1)$$рекурсивное отношение может быть записано как:

где $$n\ge 1$$ и первоначальную оценку $$\widehat{y}(0)$$ является произвольным.

В этом выражении в памяти хранится только количество выборок, n, для каждой камеры - а не n выборок данных.

Выборка среднего с забыванием

Метод адаптации Sample Mean имеет бесконечную память. Прошлые выборки данных имеют тот же вес, что и конечная выборка при вычислении среднего значения выборки. Sample mean (with forgetting) использует алгоритм с коэффициентом забывания или Adaptation gain, который ставит больше веса на более поздние выборки. Этот алгоритм обеспечивает робастность против начальных переходных процессов отклика объекта и регулируемую скорость адаптации. Sample mean (with forgetting) определяется как:

где $$\lambda \in \left[0,1\right]$$ является Adaptation gain и $$s(k)={\displaystyle {\sum }_{i=1}^k{\lambda }^{n-i}}$$.

Определение априорной ошибки расчета как $$e(n)=y(n)-\widehat{y}(n-1)$$, где $$n\ge 1$$ и первоначальную оценку $$\widehat{y}(0)$$ является произвольным, рекурсивное отношение может быть записано как:

Небольшая величина, в результаты, обеспечивает более быструю адаптацию. Значение 0 указывает короткую память (последние данные становятся значением таблицы) и значение 1 указывает на длинную память (среднее значение всех данных, полученных в камере).