Во время валидации модели могут показать нежелательные характеристики или плохую подгонку к данным о валидации.
Используйте советы в этих разделах, чтобы помочь улучшить вашу производительность модели. Некоторые функции, такие как низкое отношение сигнал-шум, переменные системные свойства, или неустановившиеся воздействия, могут произвести данные, для которых хорошая образцовая подгонка не возможна.
Плохая подгонка в Образцовом Выходном графике может быть результатом неправильного порядка модели. Система идентификации является в основном эмпирическим процессом при выборе образцовой структуры и порядка модели. Идеально, вы хотите модель самую низкоуровневую, которая соответственно получает системную динамику. Старшие модели являются более дорогими, чтобы вычислить и привести к большей неуверенности параметра.
Запустите путем оценки порядка модели, как описано на Предварительном Шаге – Оценка Порядков Модели и Входных Задержек. Используйте предложенный порядок в качестве отправной точки, чтобы оценить самый низкий порядок с различными образцовыми структурами. После каждой оценки контролируйте Образцовый Вывод и Остаточные Графики для анализа, и затем настройте ваши настройки для следующей оценки.
Когда модель младшего разряда соответствует данным о валидации плохо, оцените, что модель высшего порядка видит, улучшается ли подгонка. Например, если Образцовый Выходной график показывает, что модель четвертого порядка дает плохие результаты, оцените модель восьмого порядка. Когда модель высшего порядка улучшает подгонку, можно прийти к заключению, что линейные модели высшего порядка потенциально достаточны для приложения.
Используйте независимый набор данных, чтобы подтвердить ваши модели. Если вы используете тот же набор данных и для оценки и для валидации, подгонка всегда улучшается, когда вы увеличиваете порядок модели, и вы рискуете сверхсоответствовать. Однако, если вы используете независимый набор данных, чтобы подтвердить вашу модель, подгонка в конечном счете ухудшается, если порядки модели слишком высоки.
Существенный шум в вашей системе может привести к плохой образцовой подгонке. Присутствие такого шума обозначается когда:
Модель в пространстве состояний производит лучшую подгонку, чем модель ARX. В то время как структура пространства состояний имеет достаточную гибкость к образцовому шуму, структура ARX неспособна к независимо образцовому шуму и системной динамике. Следующее уравнение модели ARX показывает, что A связывает динамику и шумовые условия путем появления в знаменателе обоих:
Остаточный график для анализа показывает значительную автокорреляцию невязок в ненулевых задержках. Для получения дополнительной информации об остаточном анализе, смотрите темы на странице Residual Analysis.
К образцовому шуму более тщательно, используйте или ARMAX или структуру модели Box-Jenkins, оба из которых моделируют шум и условия динамики с помощью различных полиномов.
Можно протестировать, нестабильна ли линейная модель, путем исследования нулевого полюсом графика модели, которая описана в полюсе и Нулевых Графиках. Порог устойчивости для значений полюса отличается в течение дискретного времени и непрерывно-разовых моделей, можно следующим образом:
Для стабильных непрерывно-разовых моделей действительная часть полюса - меньше чем 0.
Для стабильных моделей дискретного времени значение полюса - меньше чем 1.
Линейные тренды в данных об оценке могут заставить идентифицированные линейные модели быть нестабильными. Однако удаление тренда модели не гарантирует устойчивости.
Если ваша модель нестабильна, но вы полагаете, что ваша система стабильна, вы можете.
Обеспечьте устойчивость во время оценки — Набор опция оценки Focus к значению, которое гарантирует стабильную модель. Эта установка может привести к качеству упрощенной модели.
Допускайте некоторую нестабильность — Установленный, порог устойчивости усовершенствовал опцию оценки, чтобы допускать предел погрешности:
Для непрерывно-разовых моделей, установленных значение Advanced.StabilityThreshold.s. Модель рассматривается стабильной, если полюс на ультраправом слева от s.
Для моделей дискретного времени, установленных значение Advanced.StabilityThreshold.z. Модель рассматривается стабильной, если все полюса в кругу с радиусом z, который сосредоточен в начале координат.
Для получения дополнительной информации о Focus и Advanced.StabilityThreshold, смотрите различные команды для создания наборов опции оценки, таких как tfestOptions, ssestOptions, andprocestOptions.
Чтобы протестировать, если нелинейная модель нестабильна, постройте моделируемый образцовый вывод сверху данных о валидации. Если моделируемый вывод отличается от измеренного вывода, модель нестабильна. Однако соглашение между образцовым выводом и измеренным выводом не гарантирует устойчивости.
В некоторых случаях нестабильная модель все еще полезна. Например, если ваша система нестабильна без контроллера, можно использовать модель для системы управления. В этом случае можно импортировать нестабильную модель в продукты Control System Toolbox™ или Simulink®.
Если моделирование шума и попытка различных образцовых структур и порядков все еще приводят к плохой подгонке, попытайтесь добавить больше входных параметров, которые могут влиять на вывод. Входные параметры не должны быть управляющими сигналами. Любой измеримый сигнал может быть рассмотрен входом, включая измеримые воздействия.
Включайте дополнительные измеренные сигналы в свои входные данные и оцените модель снова.
Если линейная модель показывает плохую подгонку к данным о валидации, рассмотрите, присутствуют ли нелинейные эффекты в системе.
Можно смоделировать нелинейность путем выполнения простого преобразования на входных сигналах, чтобы сделать проблему линейной в новых переменных. Например, в процессе нагрева с электроэнергией как ведущий стимул, можно умножить напряжение и текущие измерения, чтобы создать сигнал входной мощности.
Если ваша проблема является достаточно комплексной, и вы не имеете физического понимания системы, пытаетесь соответствовать нелинейным моделям черного ящика к своим данным, занимаетесь Идентифицированными Нелинейными Моделями.
Для нелинейного ARX и моделей Хаммерстайна-Винера, Образцовый Выходной график не показывает хорошую подгонку, когда средство оценки нелинейности имеет неправильную сложность.
Задайте сложность "части, мудрой линейный", вейвлет, сигмоидальные, и пользовательские сети с помощью NumberOfUnits нелинейное свойство средства оценки. Более высокое количество модулей указывает на более комплексное средство оценки нелинейности. При использовании нейронных сетей задайте сложность с помощью параметров сетевого объекта. Для получения дополнительной информации см. документацию Deep Learning Toolbox™.
Чтобы выбрать соответствующую сложность средства оценки нелинейности, сначала подтвердите вывод модели низкой сложности. Затем, увеличьте сложность модели и подтвердите вывод снова. Образцовая подгонка ухудшается, когда средство оценки нелинейности становится слишком комплексным. Это ухудшение в производительности только видимо, если вы используете независимые наборы данных оценки и валидации
