Можно оценить одно выход и несколько - модели выхода ARX с помощью arx
и iv4
команды. Для получения информации об алгоритмах смотрите, что Полином Моделирует Алгоритмы Оценки.
Можно использовать следующий общий синтаксис, чтобы и сконфигурировать и оценить модели ARX:
% Using ARX method m = arx(data,[na nb nk],opt); % Using IV method m = iv4(data,[na nb nk],opt);
data
данные об оценке и [na nb nk]
задает порядки модели, как обсуждено в том, Что такое Полиномиальные Модели?.
Третий входной параметр opt
содержит опции для конфигурирования оценки модели ARX, такие как обработка входные смещения и начальных условий. Можно создать и сконфигурировать набор опции opt
использование arxOptions
и iv4Options
команды. Эти три входных параметра могут также сопровождаться по наименованию и пары значения, чтобы задать дополнительные атрибуты структуры модели, такие как InputDelay
, IODelay
, и IntegrateNoise
.
Чтобы получить модели дискретного времени, используйте данные временного интервала (iddata
объект.
Примечание
Полиномы непрерывного времени структуры ARX не поддерживаются.
Для получения дополнительной информации о проверке вы моделируете, видите Модели Проверки После Оценки.
Можно использовать pem
или polyest
чтобы совершенствовать оценки параметра существующей полиномиальной модели, как описано в Совершенствовали Линейные Параметрические Модели.
Для получения дальнейшей информации об этих командах, смотрите соответствующую страницу с описанием.
Совет
Можно использовать предполагаемую модель ARX для инициализации нелинейной оценки в командной строке, которая улучшает подгонку модели. Смотрите Инициализируют Нелинейную Оценку ARX Используя Линейную Модель.
polyest
оценить полиномиальные моделиМожно оценить любую полиномиальную модель с помощью итеративного метода оценки погрешности предсказания polyest
. Для Гауссовых воздействий неизвестного отклонения этот метод дает оценку наибольшего правдоподобия. Получившиеся модели хранятся как idpoly
объекты модели.
Используйте следующий общий синтаксис, чтобы и сконфигурировать и оценить полиномиальные модели:
m = polyest(data,[na nb nc nd nf nk],opt,Name,Value);
где data
данные об оценке. na
, nb
, nc
, nd
, nf
целые числа, которые задают порядки модели и nk
задает входные задержки каждого input.For больше информации о порядках модели, смотрите то, Что Полиномиальные Модели?.
Совет
Вы не должны создавать использование объекта модели idpoly
перед оценкой.
Если вы хотите оценить коэффициенты всех пяти полиномов, A, B, C, D, и F, необходимо задать целочисленный порядок для каждого полинома. Однако, если вы хотите задать модель ARMAX, например, которая включает только A, B, и полиномы C, необходимо установить nd
и nf
обнулять матрицы соответствующего размера. Для некоторых более простых настроек существуют выделенные команды оценки такой как arx
, armax
, bj
, и oe
, которые поставляют необходимую модель при помощи только необходимых порядков. Например, oe(data,[nb nf nk],opt)
оценивает модель полинома структуры ошибки на выходе.
В дополнение к полиномиальным моделям, перечисленным в том, Что такое Полиномиальные Модели?, можно использовать polyest
смоделировать структуру ARARX — вызвало обобщенную модель наименьших квадратов — установкой nc=nf=0
. Можно также смоделировать структуру ARARMAX — вызвал расширенную матричную модель — установкой nf=0
.
Третий входной параметр, opt
, содержит опции для конфигурирования оценки полиномиальной модели, такие как обработка начальных условий, входные смещения и алгоритм поиска. Можно создать и сконфигурировать набор опции opt
использование polyestOptions
команда. Эти три входных параметра могут также сопровождаться по наименованию и пары значения, чтобы задать дополнительные атрибуты структуры модели, такие как InputDelay
, IODelay
, и IntegrateNoise
.
Для ARMAX Поле-Jenkins и модели Output-Error — который может только быть оценен с помощью итеративного метода ошибки предсказания — используют armax
, bj
, и oe
команды оценки, соответственно. Эти команды являются версиями polyest
с упрощенным синтаксисом для этих определенных структур модели, можно следующим образом:
m = armax(Data,[na nb nc nk]); m = oe(Data,[nb nf nk]); m = bj(Data,[nb nc nd nf nk]);
Подобно polyest
, можно задать как входные параметры набор опции, сконфигурированный с помощью команд armaxOptions
, oeOptions
, и bjOptions
для средств оценки armax
, oe
, и bj
соответственно. Можно также использовать имя и пары значения, чтобы сконфигурировать дополнительные атрибуты структуры модели.
Совет
Если ваши данные производятся быстро, они могут помочь применить фильтр lowpass к данным прежде, чем оценить модель или задать частотный диапазон для WeightingFilter
свойство во время оценки. Например, к модели только данные в частотном диапазоне 0-10 рад/с, используйте WeightingFilter
свойство, можно следующим образом:
opt = oeOptions('WeightingFilter
',[0 10]);
m = oe(Data, [nb nf nk], opt);
Для получения дополнительной информации о проверке вашей модели, см. Модели Проверки После Оценки.
Можно использовать pem
или polyest
чтобы совершенствовать оценки параметра существующей полиномиальной модели (любой настройки), как описано в Совершенствовали Линейные Параметрические Модели.
Для получения дополнительной информации смотрите polyest
, pem
и idpoly
.