Можно использовать диаграммы нулей и полюсов линейных идентифицированных моделей, чтобы оценить, может ли быть полезно уменьшать порядок модели. Когда доверительные интервалы для нулевого полюсом парного перекрытия, это перекрытие указывает на возможное удаление нулей-полюсов.
Например, можно использовать следующий синтаксис, чтобы построить доверительный интервал с 1 стандартным отклонением вокруг полюсов модели и нулей.
showConfidence(iopzplot(model))
Если полюса и нулевое перекрытие, попытайтесь оценить модель более низкоуровневую.
Всегда подтверждайте выход модели и остаточные значения, чтобы видеть, заказывает ли качество подходящих изменений после сокращения модели. Если график показывает, что удаления нулей-полюсов, но уменьшающий порядок модели ухудшают подгонку, то дополнительные полюса, вероятно, описывают шум. В этом случае можно выбрать различную структуру модели, которая разъединяет системную динамику и шум. Например, попробуйте ARMAX, Ошибку на выходе или структуры полиномиальной модели Бокса-Дженкинса с A или полиномом F порядка, равного тому из количества неотмененных полюсов. Для получения дополнительной информации об оценке линейных полиномиальных моделей, смотрите Полиномиальные модели Ввода - вывода.
