Оцените общие модели вход-выход с помощью рекурсивного псевдолинейного метода регрессии
thm = rplr(z,nn,adm,adg) [thm,yhat,P,phi] = rplr(z,nn,adm,adg,th0,P0,phi0)
rplr несовместим с MATLAB® Coder™ или MATLAB Compiler™.
Это прямая альтернатива rpem и имеет по существу тот же синтаксис. Посмотрите rpem для пояснения входных и выходных аргументов.
rplr отличается от rpem в котором используется другое градиентное приближение. См. раздел 11.5 в Ljung (1999). Несколько особых случаев являются известными алгоритмами.
При применении к моделям ARMAX, (nn = [na nb nc 0 0 nk]), rplr задает расширенный метод наименьших квадратов (ELS). При применении к структуре выходной ошибки (nn = [0 nb 0 0 nf nk]), метод известен как HARF в adm = 'ff' case и SHARF в adm = 'ng' дело.
rplr может также применяться к случаю timeseries, в котором модель ARMA оценивается с:
z = y nn = [na nc]
Задайте порядок и задержки структуры модели Output-Error.
na = 0; nb = 2; nc = 0; nd = 0; nf = 2; nk = 1;
Загрузите данные оценки.
load iddata1 z1
Оцените параметры с помощью алгоритма забывания коэффициента с коэффициентом забывания 0,99.
EstimatedParameters = rplr(z1,[na nb nc nd nf nk],'ff',0.99);Для получения дополнительной информации о HARF и SHARF см. главу 11 в Ljung (1999).
nkshift | recursiveAR | recursiveARMA | recursiveARMAX | recursiveARX | recursiveBJ | recursiveOE | rpem