Объедините оцененные модели
m = merge(m1,m2,....,mN)
[m,tv] = merge(m1,m2)
m = merge(m1,m2,....,mN)
объединяет предполагаемые модели. Модели m1,m2,...,mN
все должны иметь одинаковую структуру, просто отличающуюся значениями параметров и ковариационными матрицами. Затем m
является объединенной моделью, где вектор параметра является статистически взвешенным средним значением (используя ковариационные матрицы для определения весов) параметров mk
.
[m,tv] = merge(m1,m2)
возвращает тестовую переменную tv
. Когда две модели объединяются,
[m, tv] = merge(m1,m2)
tv
является χ2 распространяется с n
степени свободы, если параметры m1
и m2
иметь те же средства. Вот n
- длина вектора параметра. Большое значение tv
таким образом, указывает, что может быть сомнительным объединение моделей.
Для idfrd
модели, merge
- статистическое среднее значение из двух откликов в отдельных моделях, взвешенных с использованием обратных отклонений. Вы можете объединить только два idfrd
модели с откликами на тех же частотах и ненулевых ковариациях.
Объединение моделей является альтернативой объединению наборов данных и оценке модели для объединенных данных.
load iddata1 z1; load iddata2 z2; m1 = arx(z1,[2 3 4]); m2 = arx(z2,[2 3 4]); ma = merge(m1,m2);
и
mb = arx(merge(z1,z2),[2 3 4]);
результат в моделях ma
и mb
которые связаны и должны быть близки. Различие заключается в том, что объединение наборов данных принимает, что отношения сигнал-шум примерно одинаковы в двух экспериментах. Слияние моделей позволяет одной модели быть намного более неопределенной, например, из-за большего количества нарушений порядка в этом эксперименте. Если условия примерно одинаковы, мы рекомендуем, чтобы вы объединяли данные, а не модели, поскольку это более эффективно и обычно включает в себя лучшие обусловленные вычисления.