Materiały konferencyjne SEP 1993 - tom 2

Szkoła Eksploatacji Podziemnej '93 Model (22a, b, c) obejmuje, jako przypadki szczególne, modele metod IWWK (gdy A^(t) = O i Ay? (0 = O.orazRMS (gdy w(t) ==0 i = 0) Daje on możliwość - po zebraniu odpowiedniego materiału obserwacyjnego - uruchomienia metody „zuni- fikowanej'*, dla której strzelania i praca kombajnu nie będa zakłóceniami lecz źródłem użytecznej informacji (dając A(0) i b). Bieżąca, adaptacyjna estymacja wartości para- metrów modelu (22a, b, c) przy pomocy algorytmu podobnego, jak w RMS lub ogólniejszego filtru Kalmana wydaje się możliwa - choć na razie nic się nie da powiedzieć o wariancji wyników. Realizacja modelu może dać działający na bieżąco estymator zagrożenia, o wiarygodności porównywalnej z wiarygodnością wyników RMS, 4. Regresja rekursywna jako prototyp uczącego się algorytmu Załóżmy, że w jednostkowych odstępach czasu napływają wyniki pomiarów, o których wiemy, że spełniają (w przybliżeniu) liniową zależność (23) np. może być przebytą drogą, zmienna niezależna to czas; interesuje nas wartość parametru a (prędkości), o którym zakładamy że jest stały. Wstawiając otrzymane wartości do (1) otrzymujemy = ^k^ = yk lub w zapisie macierzowym (24a) (24b) i danych ciągle przybywa. Równanie (24b) ma znane rozwiązanie minimalnokwadratowe dh —I ^ ^ X-1 / (25) oznaczmy K ^k ~ ^ k^k =X ^^ (26) 1 Sekcja III 77