In choosing λ,one has to compromise

In choosing λ,one has to compromise between fast tracking and long term quality of the estimates. The use of the forgetting may give rise to problems. The smaller λ is,the faster the algorithm can track, but the more the estimates will vary,even the true parameters are time-invariant. A small λ may also cause blowup of the covariance matrix P,since in the absence of excitation,co variance matrix update equation essentially becomes

Результаты (русский) 1:

В выборе λ, надо идти на компромисс между быстрого отслеживания и долгосрочное качество оценок. Использование забывая может привести к проблемам. Меньшие λ является, тем быстрее алгоритм может отслеживать, но чем больше оценок будет меняться, даже истинный параметры времени инвариантных. Небольшой λ, также могут вызывать раздутия ковариационной матрицы P, поскольку в отсутствие возбуждения, уравнение обновление матрицы дисперсии co по сути становится

Результаты (русский) 2:

При выборе Л, надо идти на компромисс между быстрым отслеживания и долгосрочного качества оценок. Использование забывания может привести к возникновению проблем. Чем меньше λ, тем быстрее алгоритм может отслеживать, но тем больше оценкам будет варьировать, даже истинные параметры времени инвариант. Небольшой λ также может вызвать раздутие ковариационной матрицы P, так как в отсутствие возбуждения, со дисперсия матричное уравнение обновление существу становится

Результаты (русский) 3:

при выборе λ, нужно компромисс между ускоренной и долгосрочной перспективе качества оценок.использование забывая могут возникнуть проблемы.небольшие λ, тем быстрее алгоритм может отследить, но более смета будет меняться даже в реальные параметры времени инвариант.небольшой λ также могут привести к взрыву в ковариационная матрица P, поскольку в отсутствие возбуждение,разница в матрицу обновления уравнение, по сути, становится совместно