Одноэтапная модель подбирает модель ко всем данным в одном процессе. Если ваши вводы данных не имеют иерархической структуры, и все образцовые входные параметры являются глобальной переменной на том же уровне, то соответствуют одноэтапной модели.
Если ваши данные имеют локальные и глобальные входные параметры, где некоторые переменные фиксируются, в то время как переменные другие, то выберите 2D этап или детальную модель вместо этого.
Модель 2D этапа подбирает модель к данным с иерархической структурой. Если ваши данные имеют локальные и глобальные входные параметры, где некоторые переменные фиксируются, в то время как переменные другие, то выберите модель 2D этапа. Например, данные, собранные в форме разверток искры, подходят для модели 2D этапа. Каждый тест развертывает область значений углов искры, с фиксированной скоростью вращения двигателя, загрузкой и отношением воздуха/топлива в каждом тесте.
Если ваши вводы данных не имеют иерархической структуры, и все образцовые входные параметры являются глобальной переменной, на том же уровне, то соответствуют одноэтапной модели вместо этого.
Для моделей 2D этапа только задайте одну локальную переменную. Если вы хотите больше локальных входных параметров, используйте одноэтапную или детальную модель вместо этого.
Детальное моделирование позволяет вам создавать модель в каждой рабочей точке механизма с необходимой точностью, чтобы произвести оптимальную калибровку. Вам часто нужны детальные модели для нескольких инжекционных дизельных двигателей и механизмов прямого ввода бензина.
С детальными моделями никакие прогнозы не доступны между рабочими точками. Если вам нужны прогнозы между рабочими точками, используйте одноэтапную модель вместо этого.
Тип модели | Образцовые подгонки по умолчанию | Большие настройки данных |
---|---|---|
Одноэтапный | Модель Response: гауссова модель процесса (GPM) | Для> 2 000 точек, использует большое поведение данных для Гауссовых моделей процессов от Statistics and Machine Learning Toolbox™. |
Граничная модель: подгонка Выпуклой оболочки к входным параметрам | Для> 2 000 точек, переключателей к попарной выпуклой оболочке (один для каждой пары входных параметров). Переключитесь когда ≥ 8 входных параметров даже когда <2 000 точек. | |
2D этап | Локальная модель: Квадратичный Глобальная модель: Гибридная радиальная основная функция (RBF) | Для> 2 000 тестов, глобальная модель переключается на квадратичный. |
Граничная модель: подгонка Выпуклой оболочки к глобальным входным параметрам и модель контура 2D этапа для локального входа. | Для> 2 000 тестов, глобальная граничная модель переключается на попарную выпуклую оболочку. Переключитесь когда ≥ 8 входных параметров даже когда <2 000 точек. | |
Детально | Тулбокс соответствует этим типам модели к каждой рабочей точке и выбирает лучшую модель:
| Для любой рабочей точки> 2 000 Точек или> 100 рабочих точек, переключатели к подбору кривой одному галлону в минуту на рабочую точку (никакой Гибридный RBF или полином). |
Граничная модель: Детальная граничная модель с одной Выпуклой оболочкой соответствует ко всем входным параметрам в каждой рабочей точке. | Если какая-либо рабочая точка имеет> 2 000 точек, то детальная граничная модель переключается на попарную выпуклую оболочку. Переключитесь когда ≥ 8 входных параметров даже когда <2 000 точек. |
Если вы используете шаблон, который вы создали, можно заменить модели по умолчанию, когда вы соответствуете модели. На диалоговом окне Fit Models очистите опцию Use default models for large data.
Следующая таблица показывает типы модели, доступные для моделирования 2D этапа и одноэтапного.
Тип модели | Одноэтапный и глобальная переменная 2D этапа | 2D этап: локальный |
---|---|---|
Линейная модель | Да | Да |
Радиальная основная функция (RBF) | Да | |
Гибридный RBF | Да | |
Интерполяция RBF | Да | |
Несколько линейных моделей | Да | |
Свободный сплайн узла | Да, один фактор только | Да, один фактор только |
Нейронная сеть (требует программного обеспечения Deep Learning Toolbox™), | Да | |
Средняя подгонка | Да | |
Детальные модели* | Да | |
Модели роста | Да, один фактор только | |
Полином ** | Да, один фактор только | |
Полиномиальный сплайн ** | Да, один фактор только | |
Усеченный степенной ряд | Да, один фактор только | |
Пользователь defined# | Да (примером является только один фактор), | Да |
Transient# | Да (примером являются только два фактора), | Да |
*Детальные модели предоставляют вам доступ к типам глобальной модели для вашей локальной модели.
** Полиномиальный и полиномиальный сплайн является двумя особыми случаями линейные модели для локальных моделей с одним входным фактором. Можно использовать полиномиальные и полиномиальные модели сплайна (с большим количеством настроек) для локальных моделей с большим количеством факторов путем выбора Linear Models.
# Определяемые пользователем и переходные модели должны проверяться в тулбокс, прежде чем можно будет использовать их. Они доступны только для ряда факторов, который вы задали. Существует пример пользовательская модель для одного фактора, предварительно указанного с тулбоксом. Переходная предоставленная модель в качестве примера должна иметь точно два фактора, один из которых должен быть время.