Оцените модель ARMAX и посмотрите подгонку выхода к данным оценки.

Загрузите данные измерения в iddata z2 объекта.

load iddata2 z2

Оцените модель ARMAX со вторым порядком $\mathit{A}$,$\mathit{B}$, и $\mathit{C}$ полиномы и задержка переноса одного периода дискретизации.

na = 2;
nb = 2;
nc = 2;
nk = 1;
sys = armax(z2,[na nb nc nk])

sys =
Discrete-time ARMAX model: A(z)y(t) = B(z)u(t) + C(z)e(t)
  A(z) = 1 - 1.512 z^-1 + 0.7006 z^-2                    
                                                         
  B(z) = -0.2606 z^-1 + 1.664 z^-2                       
                                                         
  C(z) = 1 - 1.604 z^-1 + 0.7504 z^-2                    
                                                         
Sample time: 0.1 seconds
  
Parameterization:
   Polynomial orders:   na=2   nb=2   nc=2   nk=1
   Number of free coefficients: 6
   Use "polydata", "getpvec", "getcov" for parameters and their uncertainties.

Status:                                          
Estimated using ARMAX on time domain data "z2".  
Fit to estimation data: 85.89% (prediction focus)
FPE: 1.086, MSE: 1.054                           

Выход отображает полином, содержащий предполагаемые параметры, наряду с деталями оценки. Под Status, Fit to estimation data Показы, что предполагаемая модель имеет 1-ступенчатую точность предсказания выше 80%.

Сравните модель моделируемый выход с измеренными данными.

compare(z2,sys)

Подгонка моделируемой модели к измеренным данным почти совпадает с оценочной.

Оцените модель ARMA и сравните ее ответ с измеренным выходом и моделью AR.

Загрузите данные, которые содержат временные ряды z9 с шумом.

load iddata9 z9

Оцените модель ARMA четвертого порядка с первым порядком $\mathit{C}$полином.

na = 4;
nc = 1;
sys = armax(z9,[na nc]);

Оцените AR- модели четвертого порядка.

sys_ar = ar(z9,na);

Сравните выходы модели с измеренными данными.

compare(z9,sys,sys_ar)

Модель ARMA лучше подходит к данным.

Оцените модель ARMAX из измеренных данных и задайте опции оценки.

Загрузите данные и создайте iddata объект. Инициализируйте набор опций opt, и установите опции для Focus, SearchMethod, MaxIterations, и Display. Затем оцените модель ARMAX, используя обновленный набор опций.

load twotankdata;
z = iddata(y,u,0.2);
opt = armaxOptions;
opt.Focus = 'simulation';
opt.SearchMethod = 'lm';
opt.SearchOptions.MaxIterations = 10;
opt.Display = 'on';
sys = armax(z,[2 2 2 1],opt);

Условия завершения для измеренного компонента модели, показанные в средстве просмотра прогресса, состоят в том, что было достигнуто максимальное количество итераций.

Чтобы улучшить результаты, переоцените модель с помощью большего значения для MaxIterations, или продолжить итерации на ранее оцененной модели следующим образом:

sys2 = armax(z,sys);
compare(z,sys,sys2)

где sys2 уточняет параметры sys улучшить подгонку к данным.

Оцените регуляризованную модель ARMAX путем преобразования регуляризованной модели ARX.

Загрузка данных.

load regularizationExampleData.mat m0simdata;

Оцените нерегулярную модель ARMAX порядка 30.

m1 = armax(m0simdata(1:150),[30 30 30 1]);

Оцените регуляризованную модель ARMAX путем определения значения Лямбды методом проб и ошибок.

opt = armaxOptions;
opt.Regularization.Lambda = 1;
m2 = armax(m0simdata(1:150),[30 30 30 1],opt);

Получите модель ARMAX более низкого порядка путем преобразования регуляризованной модели ARX и затем выполнения сокращения порядка.

opt1 = arxOptions;
[L,R] = arxRegul(m0simdata(1:150),[30 30 1]);
opt1.Regularization.Lambda = L;
opt1.Regularization.R = R;
m0 = arx(m0simdata(1:150),[30 30 1],opt1);
mr = idpoly(balred(idss(m0),7));

Сравните выходы модели с данными.

opt2 = compareOptions('InitialCondition','z');
compare(m0simdata(150:end),m1,m2,mr,opt2);

Оцените модель ARIMA четвертого порядка для одномерного данного timeseries.

Загрузите данные, которые содержат временные ряды с шумом.

load iddata9 z9;

Интегрировайте выходной сигнал и используйте результат, чтобы заменить исходный выходной сигнал в z9.

z9.y = cumsum(z9.y);

Оцените модель ARIMA четвертого порядка с первым порядком$\mathit{C}$полином путем установки 'IntegrateNoise'to true.

model = armax(z9,[4 1],'IntegrateNoise',true); 

Предсказать выход модели с помощью 10-ступенчатого предсказания и сравнить предсказанный выход с данными оценки.

compare(z9,model,10)

Оцените модели ARMAX изменяющихся порядков итеративно из измеренных данных.

Загрузка dryer2 Данные и выполните оценку для комбинаций полиномиальных порядков na, nb, nc, и входную задержку nk.

load dryer2;
z = iddata(y2,u2,0.08,'Tstart',0);
na = 2:4;
nc = 1:2;
nk = 0:2;
models = cell(1,18);
ct = 1;
for i = 1:3
    na_ = na(i);
    nb_ = na_;
    for j = 1:2
        nc_ = nc(j);
        for k = 1:3
            nk_ = nk(k); 
            models{ct} = armax(z,[na_ nb_ nc_ nk_]);
            ct = ct+1;
        end
    end
end

Сложите оценочные модели и сравните их симулированные отклики с данными оценки z.

models = stack(1,models{:});
compare(z,models)

Загрузите данные оценки.

load iddata2 z2

Оцените модель пространства состояний порядка 3 из данных оценки.

sys0 = n4sid(z2,3);

Оцените модель ARMAX, используя ранее оцененную модель пространства состояний, чтобы инициализировать параметры.

sys = armax(z2,sys0);

Загрузите данные.

load iddata1ic z1i

Оцените модель ARMAX второго порядка sys и возвращает начальные условия в ic.

na = 2;
nb = 2;
nc = 2;
nk = 1;
[sys,ic] = armax(z1i,[na nb nc nk]);
ic

ic = 
  initialCondition with properties:

     A: [2x2 double]
    X0: [2x1 double]
     C: [0 1]
    Ts: 0.1000

ic является initialCondition объект, который инкапсулирует свободный ответ sys, в форме пространство состояний, в вектор начального состояния в X0. Можно включать ic когда вы симулируете sys с z1i входной сигнал и сравните ответ с z1i выходной сигнал.