Гауссова функция отображения регрессии процесса для нелинейных моделей ARX (требует Statistics and Machine Learning Toolbox),
idGaussianProcess
возразите реализует Гауссову модель регрессии процесса и нелинейная функция отображения для оценки нелинейных моделей ARX. Этот объект отображения, который также упоминается как nonlinearity, включает RegressionGP
(Statistics and Machine Learning Toolbox) возражает, что функция отображения создает использование Statistics and Machine Learning Toolbox™. Объект отображения содержит три компонента: линейный компонент, который использует комбинацию линейных весов, смещения и нелинейного компонента.
Математически, idGaussianProcess
функция, которая сопоставляет входные параметры m X (t) = [x (t 1), x 2 (t), …, xm (t)]T к скалярному выходу y (t) с помощью следующего отношения:
Здесь,
X (t) является m-by-1 вектор из входных параметров или regressors, со средним значением .
y0 является выходным смещением, скаляром.
P является m-by-p матрица проекции, где m является количеством регрессоров, и p является количеством линейных весов. m должен быть больше или быть равен p.
L является p-by-1 вектор из весов.
G (X, θ) является регрессивным Гауссовым процессом, который составляет нелинейный компонент idGaussianProcess
объект. G имеет среднее значение нуля и ковариации, которую пользователь задает путем выбора ядра и может обычно описываться как
Гауссов процесс G может быть задан более точно как ожидаемое значение тестового воздействия для данного значения θ. В этом случае отношение становится:
Здесь:
K (Xtest, Xtrain) является функцией ядра ковариации.
Xtrain является матрицей, представляющей набор учебных входных параметров.
Xtest является матрицей, представляющей набор тестовых воздействий.
Ytrain является вектором из выходных параметров от набора обучающих данных.
σn является стандартным отклонением аддитивного шума измерения.
Для получения дополнительной информации о создании Гауссовых моделей регрессии процесса, смотрите fitrgp
(Statistics and Machine Learning Toolbox).
Используйте idGaussianProcess
как значение OutputFcn
свойство idnlarx
модель. Например, задайте idGaussianProcess
когда вы оцениваете idnlarx
модель со следующей командой.
sys = nlarx(data,regressors,idGaussianProcess)
nlarx
оценивает модель, она по существу оценивает параметры idGaussianProcess
функция.
Можно сконфигурировать idGaussianProcess
функция, чтобы отключить компоненты и зафиксировать параметры. Не использовать линейный набор компонента LinearFcn.Use
к false
. Чтобы не использовать смещение, установите Offset.Use
к false
. Чтобы задать известные значения для линейной функции и смещения, установите их Value
атрибуты непосредственно и набор соответствующий Free
атрибуты к False
. Чтобы изменить опции оценки, установите свойство опции в EstimationOptions
. Например, чтобы изменить подходящий метод в 'exact'
, используйте G.EstimationOptions.FitMethod = 'exact'
Использование evaluate
вычислить выход функции для данного вектора из входных параметров.
создает G
= idGaussianProcessidGaussianProcess
объект G
с ядром функционируют 'SquaredExponential'
и параметры ядра по умолчанию. Количество входных параметров определяется во время оценки модели, и количество выходных параметров равняется 1.
инициализирует параметры заданного ядра к значениям в G
= idGaussianProcess(kernel
,kernelParameters
)kernelParameters
.
задает, использует ли функция линейную функцию в качестве субкомпонента.G
= idGaussianProcess(kernel
,kernelParameters
,UseLinearFcn
)
задает, использует ли функция термин смещения параметр y0.G
= idGaussianProcess(kernel
,kernelParameters
,UseLinearFcn
,UseOffset
)
nlarx
| RegressionGP
(Statistics and Machine Learning Toolbox) | fitrgp
(Statistics and Machine Learning Toolbox) | idLinear
| idTreePartition
| idWaveletNetwork
| idSigmoidNetwork
| idFeedforwardNetwork
| idCustomNetwork
| idnlarx
| evaluate