Документация

Сравнение выходов модели с измеренными выходами

Постройте график моделируемых или предсказанных выходов модели и измеренных выходов данных для сравнения и вычислите лучшие значения подгонки. В командной строке используйте compare команда. Вы также можете использовать sim и predict чтобы симулировать и предсказать реакцию модели. Для получения информации о графическом изображении моделируемого и предсказанного выхода в приложении, смотрите Симуляция и Предсказание в Приложении.

Проверяйте итерационные условия окончания поиска

Отчет об оценке, который генерируется после оценки модели, перечисляет причину, по которой программное обеспечение завершило оценку. Например, предположим, что отчет указывает, что оценка достигла максимального количества итераций. Можно попробовать повторить оценку, задав большее значение для максимального количества итераций. Для получения информации о том, как сконфигурировать максимальное количество итераций и других опций оценки, смотрите Задать опции оценки для нелинейных моделей ARX.

Чтобы просмотреть отчет об оценке в приложении, после завершения оценки модели просмотрите Estimation Report область вкладки Estimate. В командной строке используйте M.Report.Termination отображение условий завершения оценки, где M - предполагаемая нелинейная модель ARX. Для примера проверьте M.Report.Termination.WhyStop поле, которое описывает, почему оценка была остановлена.

Для получения дополнительной информации об отчете по оценке смотрите Отчет по оценке.

Проверяйте значения окончательных ошибок предсказания и функций потерь

Можно сравнить эффективность нескольких оценочных моделей путем сравнения значений окончательной ошибки предсказания и функции потерь, которые показаны в отчете оценки.

Чтобы просмотреть эти значения для предполагаемой модели M в командной строке используйте M.Report.Fit.FPE (окончательная ошибка предсказания) и M.Report.Fit.LossFcn (значение функции потерь при завершении оценки) свойства. Меньшие значения обычно указывают на лучшую эффективность. Однако M.Report.Fit.FPE значения могут быть ненадежными, когда модель содержит много параметров относительно размера данных оценки. Используйте эти индикаторы с другими методами валидации, чтобы сделать надежные выводы.

Выполните остаточный анализ

Невязки - эти различия между выходом модели и измеренным выходом. Таким образом, невязки представляют фрагменты выхода, не объясненные моделью. Можно анализировать невязки с помощью таких методов, как тест белизны и тест независимости. Для получения дополнительной информации об этих тестах см. «Что такое остаточный анализ?».

В командной строке используйте resid для вычисления, построения и анализа невязок. Чтобы построить графики невязок в приложении, смотрите Как построить невязки в Приложении.

Исследуйте нелинейные графики ARX

Нелинейный график ARX отображает вычисленную нелинейность модели для выбранной модели выхода как функцию одного или двух регрессоров модели. Для модели M, нелинейность модели (M.Nonlinearity) является функцией оценки нелинейности, такой как wavenet, sigmoidnet, или treepartition, который использует регрессоры модели в качестве входных входов.

Чтобы понять, что построено, предположим, что {r1,r2,…,rN} являются ли N регрессоры, используемые нелинейной моделью ARX M с нелинейностью nl соответствующий выходу модели. Можно использовать getreg(M) чтобы просмотреть эти регрессоры. Выражение Nonlin = evaluate(nl,[v1,v2,...,vN]) возвращает выходы модели для заданных значений этих регрессоров, то есть r1 = v1, r2 = v2..., rN = vN. Для графического изображения нелинейностей выберите одну или две из N регрессоры, например rsub = {r1,r4}. Программное обеспечение изменяет значения этих регрессоров в заданную область, фиксируя значение остальных регрессоров и генерирует график Nonlin против rsub. По умолчанию программа устанавливает значения остальных фиксированных регрессоров в их оценочные средства, но можно изменить эти значения. Средства регрессора хранятся в Nonlinearity.Parameters.RegressorMean свойство модели.

Изучение нелинейного графика ARX может помочь вам получить представление о том, какие регрессоры оказывают самый сильный эффект на выход модели. Понимание относительной важности регрессоров на выходе может помочь вам решить, какие регрессоры включить в нелинейную функцию для этого вывода. Если форма графика выглядит как плоскость для всех выбранных значений регрессора, то модель, вероятно, линейна в этих регрессорах. В этом случае можно удалить соответствующие регрессоры из нелинейного блока и повторить оценку.

Кроме того, можно создать несколько нелинейных моделей для тех же данных с помощью различных оценок нелинейности, таких как wavenet сети и treepartition, и затем сравните нелинейные поверхности этих моделей. Согласие между графиками для различных моделей повышает доверие в том, что эти нелинейные модели захватывают истинную динамику системы.

plot(M)