Least Squares Estimates in Stochastic Regression Models with Applications to Identification and Control of Dynamic Systems
随机回归模型的最小二乘估计及其在动态系统辨识与控制中的应用AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确涉及线性动态系统的递归在线辨识与控制，为时间序列方法提供直接依据，但没有具体宏观应用。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
随机回归模型的最小二乘估计及其在动态系统辨识与控制中的应用
- 研究问题
- 在随机回归变量和误差满足一定弱条件时，最小二乘估计能否保持强一致性与渐近正态性，并用于动态系统的在线辨识？
- 方法与思路
- 作者建立随机回归模型中最小二乘估计的渐近理论，并讨论回归参数区间估计，以及线性动态系统的递归在线辨识和控制。
- 材料陈述的贡献
- 摘要称，论文在一定弱假设下证明最小二乘估计的强一致性与渐近正态性，并说明这些结果在动态系统中的应用。
- 阅读关注点
- 应核对所谓弱假设对回归变量和误差的具体限制、渐近标准化方式，以及递归在线辨识和控制应用需要的附加条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；弱假设内容和动态系统条件未给出，不能据此宣称存在一般内生性下的一致性。
原文摘要
Strong consistency and asymptotic normality of least squares estimates in stochastic regression models are established under certain weak assumptions on the stochastic regressors and errors. We discuss applications of these results to interval estimation of the regression parameters and to recursive on-line identification and control schemes for linear dynamic systems.