Моделируйте данные timeseries.

init_sys = idpoly([1 -0.99],[],[1 -1 0.2]);
opt = simOptions('AddNoise',true);
u = iddata([],zeros(400,0),1);
data = sim(init_sys,u,opt);

data является объектом iddata, содержащим моделируемые данные об ответе модели временных рядов.

Оцените модель ARMAX при помощи data как данные об оценке.

na = 1;
nb = 2;
sys = armax(data(1:200),[na nb]);

Предскажите вывод модели с помощью горизонта прогноза 4.

K = 4;
yp = predict(sys,data,K);

yp является объектом iddata. Предсказанный выходной параметр возвращен в свойстве OutputData объекта.

Сравните предсказанные и оценочные данные выходные параметры.

plot(data(201:400),yp(201:400));
legend('Estimation data','Predicted data');

Также, чтобы отобразить предсказанные данные об ответе и оценке на графике, используйте compare(sys,data,K).

Загрузите данные об оценке.

load iddata1;
data = z1;

Оцените модель ARX порядка [2 2 1].

sys1 = arx(data,[2 2 1]);

Оцените передаточную функцию с 2 полюсами.

 sys2 = tfest(data,2);

Создайте набор опции predict, чтобы задать нулевые начальные условия для прогноза.

opt = predictOptions('InitialCondition','z');

Постройте предсказанные выходные параметры для предполагаемых моделей. Используйте заданный набор опции прогноза, opt, и задайте горизонт прогноза как 10. Задайте стили линии для графического вывода предсказанного вывода каждой системы.

predict(sys1,'r--',sys2,'b',data,10,opt);

Чтобы изменить параметры экрана, щелкните правой кнопкой по графику получить доступ к контекстному меню. Например, чтобы просмотреть данные об оценке, выберите Show Validation Data из контекстного меню. Чтобы просмотреть ошибку прогноза, выберите Prediction Error Plot.

Можно также построить предсказанный ответ с помощью команды compare. Для этого сначала создайте набор опции для compare, чтобы задать использование нулевых начальных условий.

opt = compareOptions('InitialCondition','z');
compare(data,sys1,'r--',sys2,'b',10,opt);

Используйте данные об оценке, чтобы оценить модель, и затем вычислить предсказанный образцовый вывод и модель предиктора использование команды predict. Моделируйте модель предиктора, чтобы воспроизвести предсказанный вывод.

Загрузите данные об оценке.

load iddata3 z3
data = z3;

Оцените полиномиальную модель от данных.

sys = polyest(z3,[2 2 2 0 0 1]);

Предскажите отклик системы с помощью горизонта прогноза 4.

K = 4;
[yp,x0,sysp] = predict(sys,data,K);

yp является предсказанным образцовым ответом, x0 является ориентировочной стоимостью для начальных состояний, и sysp является моделью предиктора.

Моделируйте модель предиктора с входными параметрами [data.OutputData,data.InputData] и начальные условия x0.

opt = simOptions;
opt.InitialCondition = x0;
ys = sim(sysp,[data.OutputData,data.InputData],opt);

Постройте предсказанные и моделируемые выходные параметры.

t = yp.SamplingInstants;
plot(t,yp.OutputData,'b',t,ys,'.r');
legend('Predicted Output','Simulated Output')

Выполните образцовый прогноз с помощью исторических данных, чтобы задать начальные условия. Вы сначала предсказываете использование команды predict и задаете исторические данные с помощью набора опции predictOptions. Вы затем воспроизводите предсказанный ответ путем ручного отображения исторических данных с начальными состояниями.

Загрузите 2D вход, набор данных с одним выходом.

load iddata7 z7

Идентифицируйте модель в пространстве состояний пятого порядка с помощью данных.

sys = n4sid(z7,5);

Разделите набор данных в две части.

zA = z7(1:15);
zB = z7(16:end);

Предположим, что вы хотите вычислить эти 10 шагов вперед прогноз ответа идентифицированной системы для данных zB. Для начальных условий используйте значения сигналов в zA как хронологическая запись. Таким образом, значения ввода и вывода в течение времени, сразу предшествующего данным в zB.

IO = struct('Input',zA.InputData,'Output',zA.OutputData);
opt = predictOptions('InitialCondition',IO);

Сгенерируйте эти 10 шагов вперед прогноз для данных zB с помощью заданных начальных условий и predict.

[yp,x0,Predictor] = predict(sys,zB,10,opt);

yp является предсказанным образцовым ответом, x0 начальные состояния, соответствующие модели Predictor предиктора. Можно моделировать Predictor с помощью x0 в качестве начальных условий, чтобы воспроизвести yp.OutputData.

Теперь воспроизведите вывод путем ручного отображения исторических данных с начальными состояниями. Для этого минимизируйте ошибки прогноза с 1 шагом по отрезку времени zA.

x0est = data2state(sys,zA);

x0est содержит значения пяти состояний sys в то время момент сразу после новой выборки данных в zA.

Predictor имеет больше состояний, чем исходная система из-за горизонта прогноза с 10 шагами. Задайте дополнительные состояния, вызванные горизонтом обнулять начальные значения, и затем добавлять x0est.

x0Predictor = zeros(order(Predictor),1);
x0Predictor(end-4:end) = x0est;

Моделируйте предиктор с помощью [zB.OutputData,zB.InputData] в качестве входного сигнала и x0Predictor как начальные условия.

uData = [zB.OutputData,zB.InputData]; % signals required for prediction
[ysim,t,xsim] = lsim(Predictor,uData,[],x0Predictor);

Постройте предсказанный вывод команды predict yp.OutputData и вручную вычисленные результаты ysim.

plot(t,yp.OutputData,t,ysim, '.')

ysim совпадает с yp.OutputData.