Оцените модель ARMAX и просмотрите припадок выхода модели к данным об оценке.

Загрузите данные об измерении в iddata объект z2.

load iddata2 z2

Оцените модель ARMAX со второго порядка $\mathit{A}$,$\mathit{B}$, и $\mathit{C}$ полиномы и транспортная задержка одного периода расчета.

na = 2;
nb = 2;
nc = 2;
nk = 1;
sys = armax(z2,[na nb nc nk])

sys =
Discrete-time ARMAX model: A(z)y(t) = B(z)u(t) + C(z)e(t)
  A(z) = 1 - 1.512 z^-1 + 0.7006 z^-2                    
                                                         
  B(z) = -0.2606 z^-1 + 1.664 z^-2                       
                                                         
  C(z) = 1 - 1.604 z^-1 + 0.7504 z^-2                    
                                                         
Sample time: 0.1 seconds
  
Parameterization:
   Polynomial orders:   na=2   nb=2   nc=2   nk=1
   Number of free coefficients: 6
   Use "polydata", "getpvec", "getcov" for parameters and their uncertainties.

Status:                                          
Estimated using ARMAX on time domain data "z2".  
Fit to estimation data: 85.89% (prediction focus)
FPE: 1.086, MSE: 1.054                           

Выход отображает полином, содержащий предполагаемые параметры вместе с деталями оценки. Под Status, Fit to estimation data показывает, что предполагаемая модель имеет 1 шаг вперед точность предсказания выше 80%.

Сравните модель симулировала выход к результатам измерений.

compare(z2,sys)

Припадок симулированной модели к результатам измерений является почти тем же самым как подгонкой оценки.

Оцените модель ARMA и сравните ее ответ и с измеренным выходом и с моделью AR.

Загрузите данные, которые содержат временные ряды z9 с шумом.

load iddata9 z9

Оцените четвертый порядок модель ARMA с первым порядком $\mathit{C}$полином.

na = 4;
nc = 1;
sys = armax(z9,[na nc]);

Оцените четвертый порядок модель AR.

sys_ar = ar(z9,na);

Сравните выходные параметры модели с результатами измерений.

compare(z9,sys,sys_ar)

Модель ARMA имеет лучшую подгонку к данным.

Оцените модель ARMAX от результатов измерений и задайте опции оценки.

Загрузите данные и создайте iddata объект. Инициализируйте набор опции opt, и опции набора для Focus, SearchMethod'MaxIterations' , и Display. Затем оцените модель ARMAX с помощью обновленного набора опции.

load twotankdata;
z = iddata(y,u,0.2);
opt = armaxOptions;
opt.Focus = 'simulation';
opt.SearchMethod = 'lm';
opt.SearchOptions.MaxIterations = 10;
opt.Display = 'on';
sys = armax(z,[2 2 2 1],opt);

Условия завершения для измеренного компонента модели, показанной в средстве просмотра прогресса, состоят в том, что максимальное количество итераций было достигнуто.

Чтобы улучшить результаты, повторно оцените модель с помощью большего значения для MaxIterations, или продолжите итерации на ранее предполагаемой модели можно следующим образом:

sys2 = armax(z,sys);
compare(z,sys,sys2)

где sys2 совершенствовал параметры sys улучшить подгонку к данным.

Оцените упорядоченную модель ARMAX путем преобразования упорядоченной модели ARX.

Загрузка данных.

load regularizationExampleData.mat m0simdata;

Оцените неупорядоченную модель ARMAX порядка 30.

m1 = armax(m0simdata(1:150),[30 30 30 1]);

Оцените упорядоченную модель ARMAX путем определения значения Lambda методом проб и ошибок.

opt = armaxOptions;
opt.Regularization.Lambda = 1;
m2 = armax(m0simdata(1:150),[30 30 30 1],opt);

Получите модель ARMAX более низкоуровневую путем преобразования упорядоченной модели ARX и затем выполнения сокращения порядка.

opt1 = arxOptions;
[L,R] = arxRegul(m0simdata(1:150),[30 30 1]);
opt1.Regularization.Lambda = L;
opt1.Regularization.R = R;
m0 = arx(m0simdata(1:150),[30 30 1],opt1);
mr = idpoly(balred(idss(m0),7));

Сравните выходные параметры модели с данными.

opt2 = compareOptions('InitialCondition','z');
compare(m0simdata(150:end),m1,m2,mr,opt2);

Оцените четвертый порядок модель ARIMA для одномерных данных timeseries.

Загрузите данные, которые содержат временные ряды с шумом.

load iddata9 z9;

Интегрируйте выходной сигнал и используйте результат заменить исходный выходной сигнал в z9.

z9.y = cumsum(z9.y);

Оцените четвертый порядок модель ARIMA с первым порядком$\mathit{C}$полином установкой 'IntegrateNoise'к true.

model = armax(z9,[4 1],'IntegrateNoise',true); 

Предскажите выход модели, использующий с 10 шагами вперед предсказание, и сравните предсказанный выход с данными об оценке.

compare(z9,model,10)

Оцените модели ARMAX различных порядков итеративно от результатов измерений.

Загрузите dryer2 данные и выполняют оценку для комбинаций полиномиальных порядков na, nb, nc, и вход задерживает nk.

load dryer2;
z = iddata(y2,u2,0.08,'Tstart',0);
na = 2:4;
nc = 1:2;
nk = 0:2;
models = cell(1,18);
ct = 1;
for i = 1:3
    na_ = na(i);
    nb_ = na_;
    for j = 1:2
        nc_ = nc(j);
        for k = 1:3
            nk_ = nk(k); 
            models{ct} = armax(z,[na_ nb_ nc_ nk_]);
            ct = ct+1;
        end
    end
end

Сложите предполагаемые модели и сравните их симулированные отклики с данными об оценке z.

models = stack(1,models{:});
compare(z,models)

Загрузите данные об оценке.

load iddata2 z2

Оцените модель в пространстве состояний порядка 3 от данных об оценке.

sys0 = n4sid(z2,3);

Оцените модель ARMAX с помощью ранее предполагаемой модели в пространстве состояний, чтобы инициализировать параметры.

sys = armax(z2,sys0);

Загрузите данные.

load iddata1ic z1i

Оцените модель ARMAX второго порядка sys и возвратите начальные условия в ic.

na = 2;
nb = 2;
nc = 2;
nk = 1;
[sys,ic] = armax(z1i,[na nb nc nk]);
ic

ic = 
  initialCondition with properties:

     A: [2x2 double]
    X0: [2x1 double]
     C: [0 1]
    Ts: 0.1000

ic initialCondition объект, который инкапсулирует свободный ответ sys, в форме пространства состояний, к вектору начального состояния в X0. Можно включить ic когда вы симулируете sys с z1i входной сигнал и сравнивает ответ с z1i выходной сигнал.