Рекуррентное оценивание минимальных собственных значений информационных матриц

Предлагается рекуррентный способ оценивания минимальных собственных значений информационных матриц по наблюдаемым данным. Доказывается глобальная сходимость с вероятностью 1 предлагаемого алгоритма оценивания. Показано, что применительно к задачам идентификации параметров и стохастического адаптивного управления этот способ позволяет получать реализуемые асимптотически оптимальные алгоритмы стохастической аппроксимации со скалярной матрицей усиления.