Оцените общие модели ввода - вывода с помощью рекурсивного метода псевдолинейной регрессии
thm = rplr(z,nn,adm,adg) [thm,yhat,P,phi] = rplr(z,nn,adm,adg,th0,P0,phi0)
rplr
не совместимо с MATLAB® Coder™ или MATLAB Compiler™.
Это - прямая альтернатива rpem
и имеет по существу тот же синтаксис. Смотрите rpem
для объяснения аргументов ввода и вывода.
rplr
отличается от rpem
в этом это использует другое приближение градиента. Смотрите Раздел 11.5 в Ljung (1999). Несколько из особых случаев являются известными алгоритмами.
Когда применился к моделям ARMAX, (nn = [na nb nc 0 0 nk]
), rplr
дает метод расширенных наименьших квадратов (ELS). Когда применено структура ошибки на выходе (nn = [0 nb 0 0 nf nk]
), метод известен как HARF в adm = 'ff'
случай и SHARF в adm = 'ng'
случай.
rplr
может также быть применен к случаю timeseries, в котором модель ARMA оценивается с:
z = y nn = [na nc]
Задайте порядок и задержки структуры модели Ошибки на выходе.
na = 0; nb = 2; nc = 0; nd = 0; nf = 2; nk = 1;
Загрузите данные об оценке.
load iddata1 z1
Оцените использование параметров, забыв факторный алгоритм с упущением фактора 0.99.
EstimatedParameters = rplr(z1,[na nb nc nd nf nk],'ff',0.99);
Для получения дополнительной информации о HARF и SHARF, см. Главу 11 в Ljung (1999).
nkshift
| recursiveAR
| recursiveARMA
| recursiveARMAX
| recursiveARX
| recursiveBJ
| recursiveOE
| rpem