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».
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.
