Восстановите недостающие входные и выходные данные
Datae = misdata(Data)
Datae = misdata(Data,Model)
Datae = misdata(Data,MaxIterations,Tol)
Datae = misdata(Data) восстанавливает недостающие входные и выходные данные. Data данные ввода - вывода временного интервала в iddata объектный формат. Недостающие выборки данных (и во входных параметрах и в выходных параметрах) вводятся как NaNs. Datae iddata возразите, где недостающие данные были заменены обоснованными оценками.
Datae = misdata(Data,Model) задает модель, используемую для реконструкции недостающих данных. Model любая линейная идентифицированная модель (idtf, idproc, idgrey, idpoly, idss). Если никакая подходящая модель не известна, это оценивается итеративным способом с помощью моделей в пространстве состояний порядка по умолчанию.
Datae = misdata(Data,MaxIterations,Tol) задает максимальное количество итераций и допуска. MaxIterations максимальное количество выполненных итераций (значение по умолчанию равняется 10). Итерации отключены, когда различие между двумя последовательными оценками данных отличается меньше, чем Tol%. Значение по умолчанию Tol 1.
Загрузите данные с пропавшими без вести точек данных.
load('missing_data.mat')missing_data iddata объект, содержащий данные ввода - вывода.
Отобразите данные на графике.
plot(missing_data)
Выходные данные содержат недостающие данные между индексами 10 и 100.
Чтобы восстановить недостающие данные с помощью заданной модели, оцените модель с помощью результатов измерений, который не имеет никаких недостающих выборок. В этом примере оцените модель передаточной функции с 2 полюсами.
data2 = missing_data(101:end); model = tfest(data2,2);
Восстановите недостающие данные.
datae = misdata(missing_data,model);
Отобразите исходные и восстановленные данные на графике.
plot(missing_data,'b',datae,'--r')
Если вы не задаете модель для восстановления данных, программное обеспечение чередуется между оценкой недостающих данных и оценкой моделей, на основе текущей реконструкции данных.
Для данной модели недостающие данные оцениваются как параметры, чтобы минимизировать выходные ошибки предсказания, полученные из восстановленных данных. Смотрите Раздел 14.2 в Ljung (1999). Обработка недостающих выходных параметров как параметры не является лучшим подходом со статистической точки зрения, но является хорошим приближением во многих случаях.
Когда никакая модель не дана, альтернативы алгоритма между оценкой недостающих данных и оценкой моделей, на основе текущей реконструкции.