Сеть Wavelet функционирует для нелинейного ARX и моделей Хаммерстайна-Винера
wavenet
возразите реализует функцию сети вейвлета и нелинейная функция отображения для оценки нелинейного ARX и Нелинейных моделей Хаммерстайна-Вайнера. Функция отображения, которая также упоминается как nonlinearity, использует комбинацию линейных весов, смещения и нелинейной функции, чтобы вычислить ее выход. Нелинейная функция содержит модульные функции вейвлета, которые работают с радиальной комбинацией входных параметров.
Математически, сеть wavenet является функцией, которая сопоставляет входные параметры m X (t) = [x (t 1), x 2 (t), …, xm (t)] T к скалярному выходу y (t) с помощью следующего отношения:
Здесь:
X (t) является m-by-1 вектор из входных параметров или regressors, со средним значением .
y0 является выходным смещением, скаляром.
P является m-by-p матрица проекции, где m является количеством регрессоров и является p, количество линейных весов. m должен быть больше или быть равен p.
L является p-by-1 вектор из весов.
W (X) и S (X) вместе составляет нелинейную функцию сети вейвлета. W (X) является суммой расширенных и переведенных вейвлетов, в то время как S (X) является суммой расширенных и переведенных масштабирующихся функций (также известный как scalelets). Общее количество вейвлета dw и масштабирующиеся функции ds упоминается как number of units сети.
Поскольку определения функции вейвлета называют W (X) и масштабирующийся функциональный термин S (X), смотрите Больше О.
Используйте wavenet
как значение OutputFcn
свойство idnlarx
модель или InputNonlinearity
и OutputLinearity
свойства idnlhw
объект. Например, задайте wavenet
когда вы оцениваете idnlarx
модель со следующей командой.
sys = nlarx(data,regressors,wavenet)
nlarx
оценивает модель, она по существу оценивает параметры wavenet
функция.
Можно сконфигурировать wavenet
функция, чтобы отключить компоненты и зафиксировать параметры. Не использовать линейный набор компонента LinearFcn.Use
к false
. Чтобы не использовать смещение, установите Offset.Use
к false
. Чтобы задать известные значения для линейной функции и смещения, установите их Value
атрибуты непосредственно и набор соответствующий Free
атрибуты к False
Использование evaluate
вычислить выход функции для данного вектора из входных параметров.
создает W
= wavenetwavenet
объект W
, для которого функция вычисляет количество модулей автоматически во время оценки модели.
задает количество модулей W
= wavenet(numUnits
)numUnits
. Этот синтаксис включает опцию, которая позволяет вам в интерактивном режиме оценивать отношение между количеством модулей и необъясненным отклонением.
задает, использует ли функция линейную функцию в качестве субкомпонента.W
= wavenet(numUnits
,UseLinearFcn
)
задает, использует ли функция термин смещения.W
= wavenet(numUnits
,UseLinearFcn
,UseOffset
)
Можно использовать wavenet
и в нелинейном ARX и в моделях Хаммерстайна-Винера. Алгоритмы для оценки wavenet
параметры зависят, на которой модели вы оцениваете.
В нелинейной модели ARX, wavenet
использование или неитеративное или итеративный метод для предсказания параметров, в зависимости от настроек опции в nlarxOptions
.
Если Focus
опция установлена в 'prediction'
то wavenet
использует быстрый неитеративный метод, чтобы оценить параметры [1]. Последовательные улучшения после первого использования оценки итеративный алгоритм.
Если Focus
опция установлена в 'simulation'
то wavenet
использует итеративный метод, чтобы оценить параметры.
Чтобы всегда использовать или итеративное или неитеративный алгоритм, задайте IterativeWavenet
свойство nlarxOptions
как 'on'
или 'off'
, соответственно.
В модели Хаммерстайна-Винера, wavenet
использует итеративную минимизацию, чтобы определить параметры.
[1] Цинхуа Чжан. “Используя Сеть Вейвлета по Непараметрической Оценке”. Транзакции IEEE на Нейронных сетях 8, № 2 (март 1997): 227–36. https://doi.org/10.1109/72.557660.
customnet
| deadzone
| evaluate
| idnlarx
| idnlhw
| linear
| neuralnet
| nlarx
| nlhw
| poly1d
| pwlinear
| saturation
| sigmoidnet
| treepartition
| unitgain