Минимизация ошибки предсказания для уточнения линейных и нелинейных моделей
PEM использует числовую оптимизацию, чтобы минимизировать функцию затрат, взвешенную норму ошибки предсказания, заданную следующим образом для скалярных выходов:
где e (t) - различие между измеренным выходом и предсказанным выходом модели. Для линейной модели ошибка определяется как:
где e (t) является вектором и функцией затрат является скалярным значением. Индекс N указывает, что функция стоимости является функцией от количества выборок данных и становится более точной для больших значений N. Для моделей с несколькими выходами предыдущее уравнение является более комплексным. Для получения дополнительной информации смотрите главу 7 в Система Идентификации: Theory for the User, Second Edition, Lennart Ljung, Prentice Hall PTR, 1999.
Вы можете достичь тех же результатов, что и pem
при помощи специальных команд оценки для различных структур модели. Для примера используйте ssest(data,init_sys)
для оценки моделей пространства состояний.
armax
| bj
| greyest
| n4sid
| nlarx
| nlgreyest
| nlhw
| oe
| polyest
| procest
| ssest
| tfest