Восстановите отсутствующие входные и выходные данные
Datae = misdata(Data)
Datae = misdata(Data,Model)
Datae = misdata(Data,MaxIterations,Tol)
Datae = misdata(Data) восстанавливает отсутствующие входные и выходные данные. Data является входно-выходными данными во временной области в iddata формат объекта. Отсутствующие выборки данных (как во входах, так и в выходах) вводятся как NaNс. Datae является iddata объект, в котором недостающие данные были заменены разумными оценками.
Datae = misdata(Data,Model) задает модель, используемую для восстановления отсутствующих данных. Model - любая линейно идентифицированная модель (idtf, idproc, idgrey, idpoly, idss). Если подходящая модель не известна, она оценивается итеративным способом с помощью моделей пространства состояний по умолчанию.
Datae = misdata(Data,MaxIterations,Tol) задает максимальное количество итераций и допусков. MaxIterations - максимальное количество выполненных итераций (значение по умолчанию 10). Итерации прекращаются, когда различие между двумя последовательными оценками данных отличается меньше чем Tol%. Значение по умолчанию Tol является 1.
Загрузка данных с отсутствующими точками данных.
load('missing_data.mat')missing_data является iddata объект, содержащий входно-выходные данные.
Постройте график данных.
plot(missing_data)
Данные выходы содержат отсутствующие данные между индексами 10 и 100.
Чтобы восстановить отсутствующие данные с помощью заданной модели, оцените модель с помощью измеренных данных, которые не имеют отсутствующих выборок. В этом примере оцените модель передаточной функции с 2 полюсами.
data2 = missing_data(101:end); model = tfest(data2,2);
Восстановите отсутствующие данные.
datae = misdata(missing_data,model);
Постройте график исходных и восстановленных данных.
plot(missing_data,'b',datae,'--r')
Если вы не задаете модель для восстановления данных, программное обеспечение чередует оценку недостающих данных и оценку моделей, основанную на текущей реконструкции данных.
Для данной модели недостающие данные оцениваются как параметры так, чтобы минимизировать выходные ошибки предсказания, полученные из восстановленных данных. См. раздел 14.2 в Ljung (1999). Обработка отсутствующих выходов как параметров не является лучшим подходом со статистической точки зрения, но во многих случаях является хорошим приближением.
Когда не задана модель, алгоритм чередуется между оценкой недостающих данных и оценочными моделями, основанными на текущей реконструкции.