Можно оценить модели ARX с одним выходом и несколькими выходами, используя arx
и iv4
команды. Для получения информации об алгоритмах см. «Алгоритмы оценки полиномиальной модели».
Можно использовать следующий общий синтаксис, чтобы как сконфигурировать, так и оценить модели ARX:
% Using ARX method m = arx(data,[na nb nk],opt); % Using IV method m = iv4(data,[na nb nk],opt);
data
- данные оценки и [na nb nk]
задает порядки модели, как описано в разделе «Что такое полиномиальные модели?».
Третий входной параметр opt
содержит опции для настройки оценки модели ARX, такие как обработка начальных условий и входных смещений. Вы можете создать и сконфигурировать набор опций opt
использование arxOptions
и iv4Options
команды. Три входных параметров могут также сопровождаться парами имен и значений, чтобы задать необязательные атрибуты структуры модели, такие как InputDelay
, IODelay
, и IntegrateNoise
.
Чтобы получить модели в дискретном времени, используйте данные временной области (iddata
объект).
Примечание
Полиномы ARX в непрерывном времени не поддерживаются.
Для получения дополнительной информации о проверке модели см. «Валидация моделей после оценки».
Вы можете использовать pem
или polyest
для уточнения оценок параметров существующей полиномиальной модели, как описано в Refine Linear Parametric Models.
Подробную информацию об этих командах см. на соответствующей странице с описанием.
Совет
Можно использовать предполагаемую модель ARX для инициализации нелинейной оценки в командной строке, что улучшает подгонку модели. См. «Инициализация нелинейной оценки ARX с помощью линейной модели».
polyest
Для оценки полиномиальных моделейМожно оценить любую полиномиальную модель с помощью итерационного метода предсказания-оценки ошибки polyest
. Для Гауссовых нарушений порядка неизвестного отклонения, этот метод дает максимальную оценку правдоподобия. Получившиеся модели хранятся как idpoly
объекты модели.
Используйте следующий общий синтаксис, чтобы как сконфигурировать, так и оценить полиномиальные модели:
m = polyest(data,[na nb nc nd nf nk],opt,Name,Value);
где data
- данные оценки. na
, nb
, nc
, nd
, nf
являются целыми числами, которые задают порядки модели и nk
задает вход задержки для каждого входа. Для получения дополнительной информации о порядках моделей см. «Что такое полиномиальные модели?».
Совет
Вам не нужно создавать объект модели используя idpoly
перед оценкой.
Если вы хотите оценить коэффициенты всех пяти полиномов, A, B, C, D и F, необходимо задать целый порядок для каждого полинома. Однако, если вы хотите задать модель ARMAX для примера, которая включает только полиномы A, B и C, необходимо задать nd
и nf
к нулю матриц соответствующего размера. Для некоторых более простых строений существуют специальные команды оценки, такие как arx
, armax
, bj
, и oe
, которые доставляют необходимую модель при помощи только необходимых порядков. Для примера, oe(data,[nb nf nk],opt)
оценивает полиномиальную модель структуры выходной ошибки.
В дополнение к полиномиальным моделям, перечисленным в «Что такое полиномиальные модели?», можно использовать polyest
для моделирования структуры ARARX - называемой обобщенной моделью методом наименьших квадратов - путем установки nc=nf=0
. Можно также смоделировать структуру ARARMAX - называемую модели расширенной матрицы - путем установки nf=0
.
Третий входной параметр, opt
, содержит опции для конфигурирования оценки полиномиальной модели, такие как обработка начальных условий, входных смещений и алгоритма поиска. Вы можете создать и сконфигурировать набор опций opt
использование polyestOptions
команда. Три входных параметров могут также сопровождаться парами имен и значений, чтобы задать необязательные атрибуты структуры модели, такие как InputDelay
, IODelay
, и IntegrateNoise
.
Для моделей ARMAX, Box-Jenkins и Output-Error - которые могут быть оценены только с помощью итерационного метода предсказания-ошибки - используйте armax
, bj
, и oe
команды оценки, соответственно. Эти команды являются версиями polyest
с упрощенным синтаксисом для этих конкретных структур модели, следующим образом:
m = armax(Data,[na nb nc nk]); m = oe(Data,[nb nf nk]); m = bj(Data,[nb nc nd nf nk]);
Подобно polyest
, можно задать в качестве входных параметров набор опций, сконфигурированный с помощью команд armaxOptions
, oeOptions
, и bjOptions
для оценщиков armax
, oe
, и bj
соответственно. Можно также использовать пары имен и значений, чтобы сконфигурировать дополнительные атрибуты структуры модели.
Совет
Если ваши данные дискретизированы быстро, это может помочь применить lowpass к данным перед оценкой модели или задать частотную область значений для WeightingFilter
свойство во время оценки. Для примера, чтобы модель только данные на частоте области значений 0-10 рада/с, используйте WeightingFilter
свойство, следующим образом:
opt = oeOptions('WeightingFilter
',[0 10]);
m = oe(Data, [nb nf nk], opt);
Для получения дополнительной информации о проверке модели см. «Валидация моделей после оценки».
Вы можете использовать pem
или polyest
для уточнения оценок параметров существующей полиномиальной модели (любого строения), как описано в Refine Linear Parametric Models.
Для получения дополнительной информации см. polyest
, pem
и idpoly
.