Создайте объект средства оценки нелинейности сети вейвлета
NL = wavenet
NL = wavenet(Name,Value)
создает объект средства оценки нелинейности сети вейвлета по умолчанию для оценки нелинейного ARX и моделей Хаммерстайна-Винера. Используйте запись через точку, чтобы настроить свойства объектов в случае необходимости.NL
= wavenet
создает объект средства оценки нелинейности сети вейвлета со свойствами, заданными одним или несколькими NL
= wavenet(Name,Value
)Name,Value
парные аргументы. Свойства, которые вы не задаете, сохраняют свое значение по умолчанию.
wavenet
объект, который хранит средство оценки нелинейности сети вейвлета для оценки нелинейного ARX и моделей Хаммерстайна-Винера.
Использование wavenet
задавать нелинейную функцию , где y является скаляром, x является m
- размерный вектор-строка из регрессоров и θ представляют параметры в расширении вейвлета. Функция сети вейвлета основана на следующем функциональном расширении:
Здесь,
f(z) является радиальной функцией, вызвал масштабирующуюся функцию, и z является входом к масштабирующейся функции. z является 1 q вектором-строкой. q является количеством компонентов x
используемый в масштабировании и функциях вейвлета.
g(z) является радиальной функцией, вызвал функцию вейвлета, и z является входом к функции вейвлета.
θ представляет следующие параметры средства оценки нелинейности:
P и Q — Матрицы проекции размера m
- p
и m
- q
, соответственно.
P и Q определяются анализом главных компонентов данных об оценке. Обычно, p = m
. Если компоненты x в данных об оценке линейно зависимы, то p<m
. Количеством столбцов Q является q
Q
количество компонентов x, используемого в функции вейвлета и масштабировании.
Когда используется в нелинейной модели ARX, q
равно размеру NonlinearRegressors
свойство idnlarx
объект. Когда используется в модели Хаммерстайна-Винера, m=q=1
и Q является скаляром.
r Среднее значение вектора регрессора вычисляется из данных об оценке в виде 1 m
вектор.
as, bs, aw и bw — Масштабирование и параметры вейвлета в виде скаляров. Параметры с индексом s являются масштабными коэффициентами, и параметры с индексом w являются параметрами вейвлета.
L Заданный как p
- 1 вектор.
cs и cw – Заданный как 1 q
векторы.
d Выведите смещение в виде скаляра.
Значение F(x)
вычисляется evaluate(NL,x)
, где NL
объект wavenet.
Для wavenet
свойства объектов, смотрите Свойства.
Задайте дополнительные разделенные запятой пары Name,Value
аргументы. Name
имя аргумента и Value
соответствующее значение. Name
должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN
.
Используйте Name,Value
аргументы, чтобы задать дополнительные свойства wavenet
нелинейность. Например, NL= wavenet('NumberofUnits',5)
создает объект средства оценки нелинейности вейвлета с пятью модулями нелинейности в расширении вейвлета.
|
Количество модулей нелинейности в расширении вейвлета в виде положительного целого числа или одного из следующих значений:
Значение по умолчанию: | ||||||||||||||||||||||||||||||||||||
|
Включение линейного члена в виде одного из следующих значений:
Значение по умолчанию: | ||||||||||||||||||||||||||||||||||||
|
Параметры в расширении вейвлета в виде структуры со следующими полями:
Параметры обычно не присваиваются непосредственно. Они оцениваются идентификационным алгоритмом ( | ||||||||||||||||||||||||||||||||||||
|
Опции, задающие начальную структуру нелинейности вейвлета в виде структуры со следующими полями:
|
wavenet
может использоваться и в Нелинейном ARX и в моделях Хаммерстайна-Винера.
Когда используется в модели Nonlinear ARX:
Если Focus
опция оценки (см., nlarxOptions
) 'prediction'
, wavenet
использует быстрый, неитеративный метод для оценки параметров [1]. Последовательные улучшения после первого использования оценки итеративный алгоритм.
Если Focus
'simulation'
, wavenet
использует итеративный метод для оценки параметров.
Чтобы всегда использовать неитеративный или итеративный алгоритм, задайте IterativeWavenet
опция nlarxOptions
.
Когда используется в модели Хаммерстайна-Винера, wavenet
параметры определяются итеративной минимизацией.
[1] Чжан, Q. “Используя сеть вейвлета по непараметрической оценке”. Сделка IEEE на Нейронных сетях, Издании 8, Номере 2, март 1997, стр 227-236.