Валидация моделей после оценки

Способы валидации моделей

Для проверки моделей можно использовать следующие подходы:

  • Сравнение моделируемой или предсказанной модели выхода с измеренными выходами.

    См. Моделирование и предсказание идентифицированных выходов модели.

    Чтобы симулировать идентифицированные модели в Simulink® окружение, см. Моделирование идентифицированной модели в Simulink.

  • Анализ автокорреляции и перекрестной корреляции невязок с входом.

    Смотрите, что такое остаточный анализ?.

  • Анализ реакции модели. Для получения дополнительной информации см. следующее:

    Для получения информации об отклике модели шума, см. Noise Spectrum Plots.

  • Построение графиков полюсов и нулей линейной параметрической модели.

    Для получения дополнительной информации см. «Полюс» и Нуль Графиков.

  • Сравнение отклика непараметрических моделей, таких как модели импульса, шага и частотной характеристики, с параметрическими моделями, такими как линейные полиномиальные модели, модель пространства состояний и нелинейные параметрические модели.

    Примечание

    Не используйте это сравнение, когда обратная связь присутствует в системе, потому что обратная связь делает непараметрические модели ненадежными. Чтобы проверить, присутствует ли в системе обратная связь, используйте advice команда на данных.

  • Сравните модели с использованием Akaike Information Criterion или Akaike Final Prediction Error.

    Для получения дополнительной информации смотрите aic и fpe страница с описанием.

  • Построение графиков линейных и нелинейных блоков моделей Гаммерштейна-Винера и нелинейных ARX.

Отображение доверительных интервалов на поддерживаемых графиках помогает вам оценить неопределенность параметров модели. Для получения дополнительной информации см. «Вычисление неопределенности модели».

Данные для валидации модели

Для графиков, которые сравнивают ответ модели с измеренным откликом и выполняют остаточный анализ, вы обозначаете два типа наборов данных: один для оценки моделей (данные оценки) и другой для валидации моделей (данные валидации). Несмотря на то, что вы можете обозначить тот же набор данных, который будет использоваться для оценки и валидации модели, вы рискуете чрезмерно подгонять свои данные. Когда вы проверяете модель с помощью независимого набора данных, этот процесс называется перекрестной валидацией.

Примечание

Данные валидации должны быть такими же по содержимому частоты, как и данные оценки. Если вы детрендировали данные оценки, необходимо удалить тот же тренд из данных валидации. Для получения дополнительной информации о детрендировании смотрите Обработка смещений и трендов в данных.

Для просмотра документации необходимо авторизоваться на сайте