Принцип асимптотической оптимальности
В практических задачах синтеза в условиях априорной неопределенности часто характерно наличие большого объема данных наблюдения х, которые могут включать в себя (см. гл. 3) информацию о прошлом опыте, данные обучения, эмпирическую статистику и т. д. При этом в случае полного статистического описания значительная часть этих данных оказалась бы избыточной, зато в условиях априорной неопределенности такая избыточность является в какой-то степени компенсацией за отсутствие четкого и полного статистического описания задачи. Поясним это на примере простой задачи двухальтернативного решения ( или , или , , ) на основании данных наблюдения , образующих совокупность независимо распределенных величин. Пусть
(4.3.3)
где - некоторый параметр плотности вероятности . Статистическое описание (4.3.3) соответствует, например, случаю, когда фактически решение должно быть принято на (n+1)-м шаге по результатам наблюдения , а предыдущая серия { }наблюдалась в условиях точно известной ситуации ( ) и может рассматриваться в качестве обучающей последовательности. Возможная априорная неопределенность в данной задаче связана с незнанием параметра , из-за чего статистическое описание (4.3.3) становится неполным.
Если априорная неопределенность отсутствует - параметр известен - оптимальное правило решения имеет вид (гл. 2): принимается , если
. (4.3.4)
Это правило, естественно, зависит только от , а все остальные данные наблюдения являются избыточными. Если параметр неизвестен, то знание { }очень существенно, поскольку оно может быть использовано для уменьшения априорной неопределенности из-за неизвестности .
При этом по крайней мере интуитивно ясно, что чем больше объем подобных «избыточных» данных (в рассматриваемом примере этот объем характеризуется числом наблюдений ), тем меньше влияние априорной неопределенности. Поэтому можно надеяться, что при увеличении объема и улучшения качества наблюдаемых данных х можно получить решение такого же качества, как если бы априорная неопределенность отсутствовала и распределение нам было бы известно точно. Отсюда
логически вытекает принцип асимптотической оптимальности, который может быть сформулирован следующим образом:
- более предпочтительным является такое правило решения , для которого средний риск с увеличением объема данных наблюдения стремится к минимальному байесову риску
для всех P равномерно.
Само правило решения , удовлетворяющее этому требованию, является асимптотически равномерно наилучшим решением, а при ограниченном, но большом объеме данных наблюдения х - приближенно равномерно наилучшим. Принцип асимптотической оптимальности имеет очевидный недостаток - он не определяет вполне однозначно и оставляет открытым вопрос, какое из асимптотически оптимальных правил решения лучше при ограниченном объеме данных наблюдения. Однако столь же очевидна и его полезность - он позволяет отклонить как неудовлетворительные те правила, которые даже асимптотически существенно отличаются от оптимального байесова.
Дата добавления: 2018-05-10; просмотров: 827;