Пусть известно, что оцениваемый процесс (вектор состояния) на отрезке времени [t0, T] характеризуется вектором . Для описания данного процесса воспользуемся приближенной математической моделью G. В отличие от вектор состояния, соответствующий модели G, будем обозначать через .
К модели G предъявляются следующие требования:
модель G должна однозначным образом описывать оцениваемый процесс;
модель G должна в некотором смысле наиболее точно описывать оцениваемый процесс (адекватность модели);
модель G должна быть достаточно простой в вычислительном отношении.
Функциональное соответствие между вектором состояния и вектором измеряемых параметров у задается математической моделью S. В большинстве случаев
(1.1)
Поскольку погрешности, возникающие при задании модели S, незначительны, то считаем, что вектор действительных измеряемых параметров определяется в соответствии с уравнением
. (1.2)
Для полного описания условий функционирования системы обработки измерительной информации, характеризующих способ комбинации ошибок измерений с измеряемыми параметрами и вероятностные характеристики ошибок измерений, используется модель Q. В простейшем случае данной модели отвечает следующее функциональное соответствие:
(1.3)
где - вектор результатов измерений; h - вектор ошибок измерений.
Измерения на отрезке времени могут производиться как в дискретные моменты времени ti, , так и непрерывно В первом случае qK-мерный вектор ошибок измерений полностью характеризуется плотностью вероятности р(h). Если плотность вероятности р(h) является гауссовской, то будем писать , где - вектор математических ожиданий ошибок измерений и Kh - ковариационная матрица. Во втором случае (непрерывное наблюдение) случайный процесс h = h(t) характеризуется соответствующим функционалом плотности вероятности.
Следующим элементом задачи оценивания является критерий качества К. Наибольшее распространение в настоящее время получил критерий минимума среднего риска (байесов критерий). Данный критерий применяется в условиях полной априорной определенности. Если же априорное распределение неизвестно, используются другие критерии: минимума условного риска, максимального правдоподобия, минимаксный.
Полагаем, что система обработки измерительной информации характеризуется нерандомизированным решающим правилом когда устанавливается детерминированная функциональная связь между оценкой и вектором измерений .
Условным риском называют риск , усредненный по условному распределению т.е. по функции правдоподобия
(1.4)
Важным является понятие апостериорного риска, т.е. риска , усредненного по апостериорной плотности вероятности:
(1.5)
где k - нормировочный коэффициент.
Апостериорный риск определяется как
(1.6)
Средний риск, т.е. риск, усредненный по и , связан с апостериорным риском простой зависимостью
(1.7)
Отсюда следует, что байесов критерий оптимальности - критерий минимума среднего риска - эквивалентен критерию минимума апостериорного риска. Это означает, что оптимальный байесов алгоритм должен выбираться из условия минимизации функционала
(1.8)
т.е.
(1.9)
Конкретный алгоритм зависит от выбранной функции потерь , которая задает меру отклонения получаемого решения от истинного. Очевидно, что функция потерь и риск должны отвечать ряду свойств, при которых обеспечивается корректность применения байесова критерия оптимальности.