'e' - начальные состояния оцениваются таким образом, чтобы норма ошибки предсказания была минимизирована.

Для нелинейных серых серых ящиков только эти начальные состояния i которые обозначены как свободные в модели (sys.InitialStates(i).Fixed = false) оценены. Чтобы оценить все состояния модели, сначала задайте все Nx состояний idnlgrey модели sys как бесплатно.

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

Точно так же, чтобы исправить все начальные состояния к значениям, заданным в sys.InitialStatesсначала задайте все состояния как фиксированные в sys.InitialStates свойство нелинейной модели серого ящика.

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

Используйте эту опцию только для линейных моделей в дискретном времени.

Vector or Matrix - Начальное предположение для значений состояния, при использовании нелинейных моделей. Задайте вектор-столбец длины, равную количеству состояний. Для данных нескольких экспериментов используйте матрицу с Ne столбцы, где Ne количество экспериментов.

Используйте эту опцию только для нелинейных моделей.

x0obj - Объект спецификации, созданный с помощью idpar. Использование x0obj наложение ограничений на начальные состояния путем фиксации их значения или определения минимальных или максимальных границ.

Использование x0obj только для нелинейных моделей серого ящика и линейных моделей пространства состояний (idss или idgrey). Эта опция применима только для горизонта предсказания, равного 1 или Inf. Посмотрите findstates для получения дополнительной информации о горизонте предсказания.

A вектора-столбца положительных целых чисел длины Nu, где Nu - количество входов.

[] - Отсутствие смещения.

Nu -by- Ne матрица - Для данных нескольких экспериментов задайте InputOffset как матрица Nu -by Ne. Nu - количество входов, а Ne - количество экспериментов.

Вектор-столбец длины Ny, где Ny количество выходов.

[] - Отсутствие смещения.

Ny -by- Ne матрица - Для данных нескольких экспериментов задайте OutputOffset как матрица Ny -by Ne. Ny - количество выходов, а Ne - количество экспериментов.

[] - Взвешивание не используется. Определение как [] то же, что и eye(Ny), где Ny количество выходов.

'noise' - Обратное отклонение шума, сохраненная в модели, используется для взвешивания во время оценки начальных состояний.

Положительная полуопределенная матрица, W, размера Ny -by- Ny - Это взвешивание минимизирует trace(E'*E*W) для оценки начальных состояний, где E - матрица ошибок предсказания.

'auto' - комбинация алгоритмов поиска по линии, 'gn', 'lm', 'gna', и 'grad' методы пробуются последовательно при каждой итерации. Используется первое направление спуска, ведущее к снижению стоимости оценки.

'gn' - Подпространство Гаусса-Ньютона поиск наименьших квадратов. Сингулярные значения якобиевой матрицы менее GnPinvConstant*eps*max(size(J))*norm(J) отбрасываются при вычислении направления поиска. J - якобианская матрица. Матрица Гессия аппроксимируется как J^TJ. Если улучшения в этом направлении нет, функция пробует градиентное направление.

'gna' - Адаптивный подпространство Gauss-Newton search. Собственные значения меньше gamma*max(sv) Гессиан игнорируются, где sv содержат сингулярные значения Гессиана. Направление Гаусса-Ньютона вычисляется в оставшемся подпространстве. gamma имеет начальное значение InitialGnaTolerance (см. Advanced в 'SearchOptions' для получения дополнительной информации. Это значение увеличивается на множитель LMStep каждый раз, когда поиск не находит меньшее значение критерия менее чем за пять бисекций. Это значение уменьшается на множитель 2*LMStep каждый раз, когда поиск успешен без каких-либо бисекций.

'lm' - поиск Левенберга-Марквардта методом наименьших квадратов, где следующее значение параметров -pinv(H+d*I)*grad от предыдущего. H - Гессиан, I - тождества матрица, а grad - градиент. d - это число, которое увеличивается до тех пор, пока не будет найдено более низкое значение критерия.

'grad' - Наискорейший спуск поиска методом наименьших квадратов.

'lsqnonlin' - Алгоритм, отражающий доверительную область lsqnonlin (Optimization Toolbox). Требуется программное обеспечение Optimization Toolbox™.

'fmincon' - Нелинейные решатели с ограничениями. Можно использовать последовательные квадратичные алгоритмы программирования (SQP) и отражения доверительной области fmincon (Optimization Toolbox) решатель. Если у вас есть программное обеспечение Optimization Toolbox, можно также использовать алгоритмы interior-point и active-set fmincon решатель. Задайте алгоритм в SearchOptions.Algorithm опция. The fmincon алгоритмы могут привести к улучшению результатов оценки в следующих сценариях: