Одноступенчатая модель подходит для всех данных в одном процессе. Если входные данные не имеют иерархической структуры, а все входные данные модели являются глобальными на одном уровне, установите одноэтапную модель.
Если данные имеют локальные и глобальные входные данные, в которых одни переменные фиксируются, а другие изменяются, выберите двухэтапную или точечную модель.
Двухэтапная модель подходит для данных с иерархической структурой. Если данные содержат локальные и глобальные входные данные, в которых одни переменные фиксируются, а другие изменяются, выберите двухэтапную модель. Например, данные, собранные в виде искровых свипов, подходят для двухступенчатой модели. Каждое испытание имеет диапазон углов зажигания с фиксированной частотой вращения двигателя, нагрузкой и соотношением воздух/топливо в рамках каждого испытания.
Если входные данные не имеют иерархической структуры и все входные данные модели являются глобальными на одном и том же уровне, установите одноэтапную модель.
Для двухступенчатых моделей укажите только одну локальную переменную. Если требуется больше локальных входных данных, используйте одноступенчатую или точечную модель.
Точечное моделирование позволяет построить модель в каждой рабочей точке двигателя с необходимой точностью для получения оптимальной калибровки. Часто вам нужны точечные модели для дизельных двигателей с несколькими впрысками и бензиновых двигателей с прямым впрыском.
В двухточечных моделях между рабочими точками отсутствуют прогнозы. Если требуется прогнозирование между рабочими точками, используйте одноступенчатую модель.
| Тип модели | Посадки модели по умолчанию | Параметры больших данных |
|---|---|---|
| Одноступенчатая | Модель ответа: модель Гауссова процесса (GPM) | Для > 2000 точек использует большое поведение данных для гауссовых моделей процессов из Statistics and Machine Learning Toolbox™. |
| Граничная модель: пригонка выпуклого корпуса к входам | Для > 2000 точек переключается на попарно выпуклый корпус (по одному на каждую пару входов). Выключатель, когда ≥ 8 исходных данных, даже когда <2 000 пунктов. | |
| Двухступенчатый | Локальная модель: Квадратичная Глобальная модель: Гибридная радиально-базисная функция (РФБ) | Для > 2000 тестов глобальная модель переключается на квадратичную. |
| Граничная модель: Выпуклый корпус вписывается в глобальные входные данные и двухступенчатая граничная модель для локальных входных данных. | Для > 2000 испытаний глобальная граничная модель переключается на попарно выпуклый корпус. Выключатель, когда ≥ 8 исходных данных, даже когда <2 000 пунктов. | |
| Точка за точкой | Панель инструментов подгоняет эти типы моделей к каждой рабочей точке и выбирает оптимальную модель:
| Для любой рабочей точки > 2000 точек или > 100 рабочих точек переключается на установку одного GPM для каждой рабочей точки (без гибридного RBF или полинома). |
| Граничная модель: двухточечная граничная модель с одной выпуклой корпусной посадкой для всех входных данных в каждой рабочей точке. | Если какая-либо рабочая точка имеет > 2000 точек, то модель границы точка за точкой переключается на попарно выпуклый корпус. Выключатель, когда ≥ 8 исходных данных, даже когда <2 000 пунктов. |
При использовании созданного шаблона можно переопределить модели по умолчанию при подгонке модели. В диалоговом окне Подогнать модели (Fit Models) снимите флажок Использовать модели по умолчанию для больших данных (Use default models for large data).
В следующей таблице показаны типы моделей, доступные для одноэтапного и двухэтапного моделирования.
| Тип модели | Одноступенчатая и двухступенчатая глобальная | Двухступенчатый: Локальный |
|---|---|---|
| Линейная модель | Да | Да |
| Радиальная базисная функция (RBF) | Да | |
| Гибридный RBF | Да | |
| Интерполяция RBF | Да | |
| Несколько линейных моделей | Да | |
| Шлиц свободного узла | Да, только один фактор | Да, только один фактор |
| Neural net (требуется программное обеспечение Deep Learning Toolbox™) | Да | |
| Средняя посадка | Да | |
| Точечные модели * | Да | |
| Модели роста | Да, только один фактор | |
| Полином * * | Да, только один фактор | |
| Полиномиальный сплайн * * | Да, только один фактор | |
| Усеченный ряд степеней | Да, только один фактор | |
| Определяемый пользователем # | Да (пример - только один фактор) | Да |
| Переходный # | Да (пример - только два фактора) | Да |
* Точечные модели предоставляют доступ к типам глобальных моделей для локальной модели.
* * Полином и полиномиальный сплайн - это две частные линейные модели для локальных моделей с одним входным коэффициентом. Можно использовать модели полиномных и полиномиальных сплайнов (с дополнительными настройками) для локальных моделей с большим количеством коэффициентов, выбрав Линейные модели (Linear Models).
# Пользовательские и переходные модели должны быть сданы на хранение в панель инструментов, прежде чем их можно будет использовать. Они доступны только для указанного количества факторов. Существует пример пользовательской модели для одного фактора, предварительно зарегистрированного с помощью панели инструментов. Предоставленная примерная переходная модель должна иметь ровно два фактора, одним из которых должно быть время.