E Начальные состояния оцениваются таким образом, что норма ошибки прогноза минимизирована.

Для нелинейных моделей серого поля только те начальные состояния оценивается i, которые определяются как свободные в модели (sys.InitialStates(i).Fixed = false). Чтобы оценить все состояния модели, сначала задайте все состояния Nx модели idnlgrey sys как свободные.

for i = 1:Nx
sys.InitialStates(i).Fixed = false;
end 

Точно так же, чтобы зафиксировать все начальные состояния к значениям, заданным в sys.InitialStates, сначала задайте все состояния, как зафиксировано в свойстве sys.InitialStates нелинейной модели серого поля.

D Подобно 'e', но поглощает ненулевые задержки в коэффициенты модели. Задержки сначала преобразованы в явные образцовые состояния, и начальные значения тех состояний также оценены и возвращены.

Используйте эту опцию в течение дискретного времени линейные модели только.

Vector or Matrix — Исходное предположение для значений состояния, при использовании нелинейных моделей. Задайте вектор-столбец длины, равной количеству состояний. Для данных мультиэксперимента используйте матрицу со столбцами Ne, где Ne является количеством экспериментов.

Используйте эту опцию для нелинейных моделей только.

Объект x0obj — Specification, созданный с помощью idpar. Используйте x0obj, чтобы наложить ограничения на начальные состояния путем фиксации их значения или определения минимальных или максимальных границ.

Используйте x0obj только для нелинейных моделей серого поля и линейных моделей в пространстве состояний (idss или idgrey). Эта опция применима только для горизонта прогноза, равного 1 или Inf. Дополнительную информацию см. в findstates о горизонте прогноза.

Вектор-столбец положительных целых чисел длины Nu, где Nu является количеством входных параметров.

[] — Не указывает ни на какое смещение.

Nu-by-Ne матрица — Для данных мультиэксперимента, задайте InputOffset как Nu-by-Ne матрица. Nu является количеством входных параметров, и Ne является количеством экспериментов.

Вектор-столбец длины Ny, где Ny является количеством выходных параметров.

[] — Не указывает ни на какое смещение.

Ny-by-Ne матрица — Для данных мультиэксперимента, задайте OutputOffset как Ny-by-Ne матрица. Ny является количеством выходных параметров, и Ne является количеством экспериментов.

[] — Никакое взвешивание не используется. Определение как [] совпадает с eye(Ny), где Ny является количеством выходных параметров.

'noise' — Инверсия шумового отклонения, сохраненного моделью, используется для взвешивания во время оценки начальных состояний.

Положительная полуопределенная матрица, W, размера Ny-by-Ny — Это взвешивание минимизирует trace(E'*E*W) для оценки начальных состояний, где E является матрицей ошибок прогноза.

'auto' Комбинацию алгоритмов поиска строки, 'gn', 'lm', 'gna' и методов 'grad' пробуют в последовательности в каждой итерации. Первое продвижение направления спуска к сокращению стоимости оценки используется.

'gn' — Поиск наименьших квадратов Ньютона Гаусса подпространства. Сингулярные значения якобиевской матрицы меньше, чем GnPinvConstant*eps*max(size(J))*norm(J) отбрасываются при вычислении поискового направления. J является якобиевской матрицей. Матрица Гессиана аппроксимирована как ^JTJ. Если нет никакого улучшения этого направления, функция пробует направление градиента.

'gna' — Адаптивный поиск Ньютона Гаусса подпространства. Меньше собственных значений, чем gamma*max(sv) Гессиана проигнорированы, где sv содержит сингулярные значения Гессиана. Направление Ньютона Гаусса вычисляется в остающемся подпространстве. gamma имеет начальное значение InitialGnaTolerance (см. Advanced в 'SearchOptions' для получения дополнительной информации). Это значение увеличено факторным LMStep каждый раз, когда поиску не удается найти нижнее значение критерия меньше чем в пяти делениях пополам. Это значение уменьшено факторным 2*LMStep каждый раз, когда поиск успешен без любых делений пополам.

'lm' — Поиск наименьших квадратов Levenberg-Marquardt, где следующим значением параметров является -pinv(H+d*I)*grad от предыдущего. H является Гессиан, I является единичной матрицей, и grad является градиентом. d является числом, которое увеличено, пока нижнее значение критерия не найдено.

'grad' — Поиск наименьших квадратов быстрейшего спуска.

'lsqnonlin' — Доверительная область отражающий алгоритм lsqnonlin. Программное обеспечение Requires Optimization Toolbox™.

'fmincon' — Ограниченные нелинейные решатели. Можно использовать последовательное квадратичное программирование (SQP) и доверять области отражающие алгоритмы решателя fmincon. Если у вас есть программное обеспечение Optimization Toolbox, можно также использовать внутреннюю точку и алгоритмы активного набора решателя fmincon. Задайте алгоритм в опции SearchOptions.Algorithm. Алгоритмы fmincon могут привести к улучшенным результатам оценки в следующих сценариях: