'e' - Начальные состояния оцениваются таким образом, что норма ошибки предсказания минимизируется.

Для нелинейных серых моделей только эти начальные состояния i которые обозначены в модели как свободные (sys.InitialStates(i).Fixed = false) оцениваются. Чтобы оценить все состояния модели, сначала укажите все Nx состояния idnlgrey модель sys как свободный.

for i = 1:Nx
sys.InitialStates(i).Fixed = false;
end 

Аналогично, чтобы зафиксировать все начальные состояния в значениях, указанных в sys.InitialStates, сначала укажите все состояния как фиксированные в sys.InitialStates свойства нелинейной модели «серый ящик».

'd' - Аналогично 'e', но поглощает ненулевые задержки в коэффициентах модели. Задержки сначала преобразуются в явные состояния модели, и начальные значения этих состояний также оцениваются и возвращаются.

Эта опция используется только для линейных моделей дискретного времени.

Vector or Matrix - начальное предположение для значений состояния при использовании нелинейных моделей. Укажите вектор столбца длиной, равной числу состояний. Для данных нескольких экспериментов используйте матрицу с Ne столбцы, где Ne - количество экспериментов.

Эта опция используется только для нелинейных моделей.

x0obj - объект спецификации, созданный с помощью idpar. Использовать x0obj наложение ограничений на начальные состояния путем фиксации их значения или указания минимальных или максимальных границ.

Использовать x0obj только для нелинейных серых моделей и линейных моделей состояния и пространства (idss или idgrey). Эта опция применима только для горизонта прогнозирования, равного 1 или Inf. Посмотрите findstates для получения более подробной информации о горизонте прогнозирования.

Вектор-столбец положительных целых чисел длины Nu, где Nu - количество входов.

[] - Указывает на отсутствие смещения.

Матрица Nu-by-Ne - для данных нескольких экспериментов укажите InputOffset в виде матрицы Nu-by-Ne. Nu - количество входов, а Ne - количество экспериментов.

Вектор столбца длиной Ny, где Ny - количество выходов.

[] - Указывает на отсутствие смещения.

Матрица Ny-by-Ne - для данных нескольких экспериментов укажите OutputOffset в виде матрицы Ny-by-Ne. Ny - количество выходов, а Ne - количество экспериментов.

[] - Взвешивание не используется. Указание как [] является таким же, как eye(Ny), где Ny - количество выходов.

'noise' - Для взвешивания при оценке начальных состояний используют обратную дисперсию шума, хранящуюся в модели.

Положительная полуопределённая матрица, W, размера Ny-by-Ny - это взвешивание минимизирует trace(E'*E*W) для оценки начальных состояний, где E - матрица ошибок прогнозирования.

'auto' - комбинация алгоритмов поиска линии, 'gn', 'lm', 'gna', и 'grad' на каждой итерации последовательно пробуют способы. Используется первое направление спуска, ведущее к снижению стоимости оценки.

'gn' - Подпространство поиска наименьших квадратов Гаусса-Ньютона. Сингулярные значения матрицы Якобиана меньше GnPinvConstant*eps*max(size(J))*norm(J) отбрасываются при вычислении направления поиска. J - матрица Якобиана. Матрица Гессена аппроксимируется как ^JTJ. Если в этом направлении нет улучшений, функция пробует направление градиента.

'gna' - адаптивный подпространственный поиск Гаусса-Ньютона. Собственные значения меньше gamma*max(sv) гессенцы игнорируются, где sv содержит сингулярные значения гессенца. Направление Гаусса - Ньютона вычисляется в оставшемся подпространстве. гамма имеет начальное значение InitialGnaTolerance (см. Advanced в 'SearchOptions' для получения дополнительной информации. Это значение увеличивается на коэффициент LMStep каждый раз при поиске не удается найти меньшее значение критерия менее чем за пять делений. Это значение уменьшается на коэффициент 2*LMStep каждый раз при успешном поиске без каких-либо делений.

'lm' - поиск наименьших квадратов Левенберга-Марквардта, где следующим значением параметра является -pinv(H+d*I)*grad из предыдущего. H - гессен, I - тождественная матрица, а grad - градиент. d - число, которое увеличивается до тех пор, пока не будет найдено меньшее значение критерия.

'grad' - Самый крутой спуск поиск наименьших квадратов.

'lsqnonlin' - Алгоритм отражения области доверия lsqnonlin(Панель инструментов оптимизации). Требуется программное обеспечение Optimization Toolbox™.

'fmincon' - Ограниченные нелинейные решатели. Можно использовать последовательное квадратичное программирование (SQP) и алгоритмы, отражающие область доверия fmincon(Панель инструментов оптимизации) решатель. При наличии программного обеспечения Optimization Toolbox можно также использовать внутренние и активные алгоритмы fmincon решатель. Укажите алгоритм в SearchOptions.Algorithm вариант. fmincon алгоритмы могут привести к улучшению результатов оценки в следующих сценариях: