Exponenta Banner

goodnessOfFit

Качество подгонки между тестовыми и справочными данными

свернуть все на странице

Синтаксис

fit = goodnessOfFit(x,xref,cost_func)

Описание

fit = goodnessOfFit(x,xref,cost_func) возвращает качество подгонки между данными, x, и ссылка, xref использование функции стоимости задано cost_func.

Входные параметры

x

Тестовые данные.

x Ns- N матрица, где Ns количество выборок и N количество каналов.

x может также быть массив ячеек нескольких наборов тестовых данных.

x не должен содержать NaN или Inf значения.

xref

Справочные данные.

xref должен быть одного размера с x.

xref может также быть массив ячеек нескольких множеств элементарных исходов. В этом случае каждое отдельное множество элементарных исходов должно быть одного размера с соответствующим набором тестовых данных.

xref не должен содержать значения NaN или Inf.

cost_func

Функция стоимости, чтобы определить качество подгонки.

cost_func задан как одно из следующих значений:

  • 'MSE' — Среднеквадратичная погрешность:

    fit=‖x−xref‖2Ns

    где, Ns является количеством выборок, и ‖ указывает на 2-норму вектора. fit скалярное значение.

  • 'NRMSE' — Нормированная среднеквадратичная ошибка:

    fit(i)=1−‖xref(:,i)−x(:,i)‖‖xref(:,i)−mean(xref(:,i))‖

    где, ‖ указывает на 2-норму вектора. fit вектор-строка из длины N и i = 1,...,N, где N количество каналов.

    Затраты NRMSE варьируются между -Inf (плохая подгонка) к 1 (совершенная подгонка). Если функция стоимости равна нулю, то x не лучше, чем прямая линия при соответствии с xref.

  • 'NMSE' — Нормированная среднеквадратичная погрешность:

    fit(i)=1−‖xref(:,i)−x(:,i)‖2‖xref(:,i)−mean(xref(:,i))‖2

    где, ‖ указывает на 2-норму вектора. fit вектор-строка из длины N и i = 1,...,N, где N количество каналов.

    Затраты NMSE варьируются между -Inf (плохая подгонка) к 1 (совершенная подгонка). Если функция стоимости равна нулю, то x не лучше, чем прямая линия при соответствии с xref.

Выходные аргументы

fit

Качество подгонки между тестовыми и справочными данными.

Для одного набора тестовых данных и ссылочной пары, fit возвращен как a:

  • Скаляр, если cost_func MSE.

  • Вектор-строка из длины N если cost_func NRMSE или NMSEN количество каналов.

Если x и/или xref массивы ячеек, затем fit массив, содержащий значения качества подгонки для каждого тестовые данные и ссылочная пара.

Примеры

свернуть все

Скрипт Open Live Script

Получите измеренный выход. 

load iddata1 z1
yref = z1.y;

z1 iddata объект, содержащий измеренные данные о вводе/выводе. z1.y измеренный выход.

Получите предполагаемый выход. 

sys = tfest(z1,2);
y_sim = sim(sys,z1(:,[],:));

sys оцененное использование передаточной функции второго порядка измеренных данных о вводе/выводе. y выход, оцененный с помощью sys и измеренный вход.

Вычислите совершенство подгонки между измеренными и предполагаемыми выходными параметрами. 

cost_func = 'NRMSE';
y = y_sim.y;
fit = goodnessOfFit(y,yref,cost_func);

Качество подгонки вычисляется с помощью нормированной среднеквадратичной ошибки в качестве функции стоимости.

В качестве альтернативы можно использовать compare вычислить качество подгонки: 

opt = compareOptions('InitialCondition','z');
compare(z1,sys,opt);

Смотрите также

| | | |

Представленный в R2012a

Документация System Identification Toolbox
Поддержка