Mínimos cuadrados recursivos 1 (teoría, sin olvido)

Antonio Sala, UPV

Dificultad: *** / ****  ,       Relevancia: ,      Duración: 11:18

Resumen:

– Motivación y planteamiento del problema: detener experimentos cuando la información sea suficiente, control adaptativo, monitorización o detección de fallos.

– Mínimos cuadrados recursivos: a partir de una estimación a priori $𝜃\sim N({\widehat{𝜃}}_0,{\mathrm{\Sigma }}_{𝜃,0})$ y datos $X$ en un modelo (estático) $y=X𝜃+v$, obtener ${\widehat{𝜃}}_1$.

– Uso de la fórmula de mejor predicción lineal (vídeo [preli2]) para resolver el problema. **** 

– Relación con el filtro de Kalman.

La modificación a los algoritmos para incluir un “olvido” capaz de seguir parámetros cambiantes se discute en el vídeo [mcr2].

Colección completa [VER]:

• Anterior   Regresión lineal (caso estudio Matlab): regresión por componentes principales PCR, simplificación de modelo

• Siguiente Minimos cuadrados recursivos sin olvido: ejemplo Matlab