Можно использовать следующие подходы, чтобы подтвердить модели:
Сравнение симулированного или предсказанного выхода модели к измеренному выходу.
Смотрите симулируют и предсказывают идентифицированный Выход Модели.
Чтобы симулировать идентифицированные модели в среде Simulink®, смотрите, Симулируют Идентифицированную Модель в Simulink.
Анализ автокорреляции и взаимной корреляции остаточных значений с входом.
Смотрите то, что остаточный анализ?.
Анализ ответа модели. Для получения дополнительной информации смотрите следующее:
Для получения информации об ответе шумовой модели см. Шумовые Графики Спектра.
Графический вывод полюсов и нулей линейной параметрической модели.
Для получения дополнительной информации смотрите полюс и Нулевые Графики.
Сравнивая ответ непараметрических моделей, таких как импульс - неродных моделей, и частотной характеристики, к параметрическим моделям, таким как линейные полиномиальные модели, модель в пространстве состояний и нелинейные параметрические модели.
Не используйте это сравнение, когда обратная связь присутствует в системе, потому что обратная связь делает непараметрические модели ненадежными. Чтобы протестировать, если обратная связь присутствует в системе, используйте advice команда на данных.
Сравните модели с помощью Критерия информации о Akaike или Итоговой Ошибки Предсказания Akaike.
Для получения дополнительной информации смотрите aic и fpe страница с описанием.
Графический вывод линейных и нелинейных блоков Хаммерстайна-Винера и нелинейных моделей ARX.
Отображение доверительных интервалов на поддерживаемых графиках помогает вам оценить неопределенность в параметрах модели. Для получения дополнительной информации смотрите, Вычисляют Неопределенность Модели.
Для графиков, которые сравнивают ответ модели на измеренный ответ и выполняют остаточный анализ, вы определяете два типа наборов данных: один для оценки моделей (данные об оценке), и другой для проверки моделей (данные о валидации). Несмотря на то, что можно определять тот же набор данных использоваться в оценке и проверке модели, вы рискуете сверхсоответствовать своим данным. Когда вы подтверждаете модель с помощью независимого набора данных, этот процесс называется перекрестной проверкой.
Данные о валидации должны быть тем же самым в содержимом частоты как данные об оценке. Если бы вы детрендировали данные об оценке, необходимо удалить тот же тренд из данных о валидации. Для получения дополнительной информации об удалении тренда, смотрите Смещения Обработки и Тренды в Данных.
