Объедините оцененные модели
m = merge(m1,m2,....,mN)
[m,tv] = merge(m1,m2)
m = merge(m1,m2,....,mN)
слияния оценили модели. Модели m1,m2,...,mN
должен все иметь ту же структуру, только отличающуюся по значениям параметров и ковариационным матрицам. Затем m
объединенная модель, где вектор параметра является статистически взвешенным средним (использующий ковариационные матрицы, чтобы определить веса) параметров mk
.
[m,tv] = merge(m1,m2)
возвращает тестовую переменную tv
. Когда две модели объединены,
[m, tv] = merge(m1,m2)
tv
χ 2 распределенных с n
степени свободы, если параметры m1
и m2
имейте те же средние значения. Здесь n
длина вектора параметра. Большое значение tv
таким образом указывает, что может быть сомнительно объединить модели.
Для idfrd
модели, merge
статистическое среднее значение двух ответов в отдельных моделях, взвешенных использующих обратных отклонениях. Можно только объединить два idfrd
модели с ответами на тех же частотах и ненулевых ковариациях.
Слияние моделей является альтернативой слиянию наборов данных и оценке модели для объединенных данных.
load iddata1 z1; load iddata2 z2; m1 = arx(z1,[2 3 4]); m2 = arx(z2,[2 3 4]); ma = merge(m1,m2);
и
mb = arx(merge(z1,z2),[2 3 4]);
приведите к моделям ma
и mb
это связано и должно быть близко. Различие - то, что слияние наборов данных принимает, что отношения сигнал-шум о том же самом в двух экспериментах. Слияние моделей позволяет одной модели быть намного более сомнительной, например, из-за большего количества воздействий в том эксперименте. Если условия о том же самом, мы рекомендуем, чтобы вы объединили данные, а не модели, поскольку это более эффективно и обычно включает лучше обусловленные вычисления.