Восстановление отсутствующих входных и выходных данных
Datae = misdata(Data)
Datae = misdata(Data,Model)
Datae = misdata(Data,MaxIterations,Tol)
Datae = misdata(Data) восстанавливает отсутствующие входные и выходные данные. Data - входные-выходные данные временной области в iddata формат объекта. Недостающие выборки данных (как на входе, так и на выходе) вводятся как NaNs. Datae является iddata объект, где отсутствующие данные были заменены разумными оценками.
Datae = misdata(Data,Model) определяет модель, используемую для восстановления отсутствующих данных. Model - любая линейная идентифицированная модель (idtf, idproc, idgrey, idpoly, idss). Если подходящая модель неизвестна, она оценивается итеративным образом с использованием моделей состояния-пространства порядка по умолчанию.
Datae = misdata(Data,MaxIterations,Tol) задает максимальное количество итераций и допуск. MaxIterations - максимальное количество выполненных итераций (по умолчанию - 10). Итерации завершаются, когда разница между двумя последовательными оценками данных отличается менее чем на Tol%. Значение по умолчанию Tol является 1.
Загрузка данных с отсутствующими точками данных.
load('missing_data.mat')missing_data является iddata объект, содержащий данные ввода-вывода.
Постройте график данных.
plot(missing_data)
Выходные данные содержат отсутствующие данные между индексами 10 и 100.
Чтобы восстановить отсутствующие данные с помощью указанной модели, оцените модель с помощью измеренных данных без отсутствующих выборок. В этом примере оцените модель передаточной функции с 2 полюсами.
data2 = missing_data(101:end); model = tfest(data2,2);
Восстановите недостающие данные.
datae = misdata(missing_data,model);
Постройте график исходных и восстановленных данных.
plot(missing_data,'b',datae,'--r')
Если модель для восстановления данных не задана, программное обеспечение чередует оценку отсутствующих данных и оценку моделей на основе текущей реконструкции данных.
Для данной модели недостающие данные оцениваются как параметры, чтобы минимизировать выходные ошибки предсказания, полученные из восстановленных данных. См. раздел 14.2 в Ljung (1999). Учет недостающих результатов в качестве параметров является не лучшим подходом со статистической точки зрения, но во многих случаях является хорошей аппроксимацией.
Когда модель не задана, алгоритм чередует оценку отсутствующих данных и оценку моделей на основе текущей реконструкции.