goodnessOfFit

Качество подгонки между тестовыми и справочными данными

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:
$f i t = \frac{{‖ x - x r e f ‖}^{2}}{N s}$
где, _Ns является количеством выборок, и ‖ указывает на 2-норму вектора. fit скалярное значение.
'NRMSE' — Нормированная среднеквадратичная ошибка:
$f i t (i) = 1 - \frac{‖ x r e f (:, i) - x (:, i) ‖}{‖ x r e f (:, i) - m e a n (x r e f (:, i)) ‖}$
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:
$f i t (i) = 1 - \frac{{‖ x r e f (:, i) - x (:, i) ‖}^{2}}{{‖ x r e f (:, i) - m e a n (x r e f (:, i)) ‖}^{2}}$
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

Вычислите качество подгонки между оценочными данными и результатами измерений

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);

Документация

goodnessOfFit

Синтаксис

Описание

Входные параметры

Выходные аргументы

Примеры

Вычислите качество подгонки между оценочными данными и результатами измерений

Смотрите также

Представленный в R2012a

Документация System Identification Toolbox

Поддержка