文档帮助中心文档
标量时间序列的AR模型或ARI模型参数估计
Sys = ar(y,n)
Sys = ar(y,n,方法,窗口)
Sys = ar(y,n,___、名称、值)
Sys = ar(y,n,___选择)
[sys,refl] = ar(y,n,接近,___)
例子
sys= ar (y,n)估计的参数基于“增大化现实”技术idpoly模型sys的订单n使用最小二乘方法。模型属性包括协方差(参数不确定性)和估计拟合优度。
sys= ar (y,n)
sys
y
n
idpoly
sys= ar (y,n,方法,窗口)所指定的算法方法和预开窗和后开窗的规范窗口.指定窗口而接受的默认值方法,使用[]在语法的第三个位置。
sys= ar (y,n,方法,窗口)
方法
窗口
[]
sys= ar (y,n,___,名称,值)使用一个或多个名称-值对参数指定其他选项。例如,使用名称-值对参数“IntegrateNoise”,1估计一个阿里模型,该模型适用于具有非平稳扰动的系统。指定名称,值在前面语法中的任何输入参数组合之后。
sys= ar (y,n,___,名称,值)
名称,值
“IntegrateNoise”,1
sys= ar (y,n,___,选择)使用选项集指定评估选项选择.
sys= ar (y,n,___,选择)
选择
[sys,反射= r(y,n的方法,___)返回一个AR模型和反射系数反射当方法是基于格的方法吗“城”或“gl”.
[sys,反射= r(y,n的方法,___)
反射
“城”
“gl”
全部折叠
估计一个AR模型,并将其响应与测量输出进行比较。
加载包含时间序列的数据z9与噪音。
z9
负载iddata9z9
估计一个四阶AR模型。
Sys = ar(z9,4)
sys =离散时间AR模型:A(z)y(t) = e(t) A(z) = 1 - 0.8369 z^-1 - 0.4744 z^-2 - 0.06621 z^-3 + 0.4857 z^-4采样时间:0.0039062秒参数化:多项式阶数:na=4自由系数数:4使用"polydata"、"getpvec"、"getcov"表示参数及其不确定性。状态:使用AR ('fb/now')对时域数据“z9”进行估计。拟合估计数据:79.38% FPE: 0.5189, MSE: 0.5108
输出显示包含估计参数和其他估计细节的多项式。下状态,拟合估计数据结果表明,估计模型具有超前1步的预测精度,准确率在75%以上。
状态
拟合估计数据
通过查看评估报告,您可以找到关于评估结果的其他信息,sys。报告.例如,您可以检索参数协方差。
sys。报告
covar = sys. report . parameters . freeparco方差
柯伐合金=4×40.0015 -0.0015 - 0.0007 -0.0015 0.0027 -0.0008 -0.0004 -0.0005 -0.0008 0.0028 -0.0015 0.0007 -0.0004 -0.0015
有关查看评估报告的更多信息,请参见评估报告.
给定一个带有噪声的正弦信号,将Burg方法的频谱估计与使用前后向方法发现的频谱估计进行比较。
生成一个输出信号并将其转换为iddata对象。
iddata
Y = sin([1:300]') + 0.5*randn(300,1);Y = iddata(Y);
使用Burg的方法和默认的前后向方法估计四阶AR模型。将模型光谱绘制在一起。
Sys_b = ar(y,4,“城”);Sys_fb = ar(y,4);谱(sys_b sys_fb)传说(“城”,“Forward-Backward”)
这两种反应在大部分频率范围内都很接近。
估计在噪声源中包含积分器的ARI模型。
对输出信号进行积分。
Y = cumsum(z9.y);
估计一个AR模型“IntegrateNoise”设置为真正的.使用最小二乘方法“ls”.因为y是向量而不是iddata对象,指定Ts.
“IntegrateNoise”
真正的
“ls”
Ts
Ts = z9.Ts;Sys = ar(y,4,“ls”,“t”Ts,“IntegrateNoise”,真正的);
采用5步预测方法对模型输出进行预测,并将结果与集成输出信号进行比较y.
比较(y, sys, 5)
属性的默认选项基于“增大化现实”技术函数。
基于“增大化现实”技术
修改默认选项,以便函数使用“ls”方法,不估计协方差。
opt = arOptions(“方法”,“ls”,“EstimateCovariance”假)
opt = ar命令的选项集:方法:'ls'窗口:'now' DataOffset: 0 EstimateCovariance: 0 MaxSize: 250000选项说明
使用更新的选项估计一个四阶AR模型。
Sys = ar(z9,4,opt);
当使用Burg方法时,检索反射系数和损失函数。
基于格的方法,如Burg的方法“城”几何晶格“gl”,计算反射系数和相应的损失函数值,作为估计过程的一部分。使用第二个输出参数来检索这些值。
使用Burg的方法估计一个四阶AR模型,并包括一个反射系数的输出参数。
[sys,refl] = ar(y,4,“城”);反射
反射=2×50 -0.3562 0.4430 0.5528 0.2385 0.8494 0.7416 0.5960 0.4139 0.3904
时间序列数据,指定为下列之一:
一个iddata对象,该对象包含单个输出通道和空输入通道。
包含输出通道数据的双列向量。当你指定y作为向量,还必须指定采样时间Ts.
模型顺序,指定为正整数。的价值n确定一个AR模型中的参数。
例子:基于“增大化现实”技术(类似,2)从单通道计算二阶AR模型iddata对象补贴
基于“增大化现实”技术(类似,2)
补贴
“facebook”
“yw”
用于计算AR模型的算法,指定为以下值之一:
“城”: Burg的基于格的方法。利用正、后向平方预测误差的调和均值求解晶格滤波方程。
“facebook”:(默认值)前后向方式。最小化正演模型的最小二乘准则和时间反转模型的类似准则的和。
“gl”:几何点阵方法。与Burg的方法类似,但在最小化过程中使用几何平均值而不是调和平均值。
“ls”:最小二乘方法。最小化正向预测误差平方和的标准和。
“yw”:圣诞步行者方法。求解由样本协方差组成的Yule-Walker方程。
所有这些算法都是最小二乘法的变体。有关更多信息,请参见算法.
例子:基于“增大化现实”技术(类似2“ls”)使用最小二乘方法计算AR模型
基于“增大化现实”技术(类似2“ls”)
“现在”
“战俘”
“ppw”
“prw
在测量时间间隔(过去和未来值)之外的预开窗和后开窗,指定为以下值之一:
“现在”:没有窗口。此值是默认值,除非您自行设置方法来“yw”.仅使用实测数据构成回归向量。条件中的和从样本下标等于开始n + 1.
n + 1
“战俘”: Postwindowing。缺失的结束值被替换为零,总和被扩展到时间N + N(N是观测数)。
N + N
N
“ppw”:预开窗和后开窗。无论何时选择圣诞步行者方法,软件都会使用这个值“yw”,不管你窗口规范。
“prw”: Prewindowing。缺失的过去值被替换为零,以便条件中的总和可以从等于零的时间开始。
“prw”
例子:ar(类似2“yw”、“ppw”)使用带预窗和后窗的Yule-Walker方法计算AR模型。
ar(类似2“yw”、“ppw”)
arOptions
AR模型识别的估计选项,指定为arOptions选项设置。选择指定以下选项:
评估方法
数据窗口技术
数据偏移量
数据段中的最大元素数
有关更多信息,请参见arOptions.有关示例,请参见修改默认选项.
的可选逗号分隔对名称,值参数。的名字参数名称和价值对应的值。的名字必须出现在引号内。您可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家.
的名字
价值
Name1, Value1,…,的家
“IntegrateNoise”,真的
1
采样时间,由逗号分隔的对组成“t”采样时间以秒为单位。如果y是双矢量,那么你必须指定吗“t”.
“t”
例子:基于“增大化现实”技术(y_signal 2 Ts, 0.08)计算一个采样时间为0.08秒的二阶AR模型
基于“增大化现实”技术(y_signal 2 Ts, 0.08)
IntegrateNoise
假
用于估计的噪声信道集成选项阿里模型,指定为逗号分隔的对,由“IntegrateNoise”而且合乎逻辑。噪声积分在扰动是非平稳的情况下是有用的。
当使用“IntegrateNoise”时,还必须集成输出通道数据。有关示例,请参见ARI模型.
基于“增大化现实”技术或阿里适合给定估计数据的模型,作为离散时间返回idpoly模型对象。该模型是使用指定的模型顺序、延迟和估计选项创建的。
有关所使用的估计结果和选项的信息存储在报告模型的属性。报告具有以下字段。
报告
模型状态的总结,表明模型是通过构造创建的还是通过估计获得的。
使用估计命令。
适合
估计的定量评估,作为结构返回。看到损失函数和模型质量度量有关这些质量度量的更多信息。该结构有以下字段:
FitPercent
归一化均方根误差(NRMSE)衡量模型响应与估计数据的吻合程度,以百分比表示fitpercent= 100 (1-NRMSE)。
LossFcn
估计完成时损失函数的值。
均方误差
均方误差(MSE)衡量模型的响应与估计数据的吻合程度。
消防工程
模型的最终预测误差。
另类投资会议
原始赤池信息标准(AIC)是模型质量的度量标准。
AICc
小样本量校正AIC。
保险代理人
标准化的另类投资会议。
BIC
贝叶斯信息准则(BIC)。
参数
模型参数估计值。
OptionsUsed
用于估计的选项集。如果没有配置自定义选项,则这是一组默认选项。看到arOptions获取更多信息。
RandState
估计开始时随机数流的状态。空的,[],如果在估计过程中没有使用随机化。有关更多信息,请参见rng.
rng
DataUsed
用于估计的数据的属性,作为具有以下字段的结构返回。
数据集的名称。
类型
数据类型。
长度
数据样本数量。
样品时间。
InterSample
输入样例间行为,作为以下值之一返回:
“zoh”-零阶保持器在样本之间保持分段恒定的输入信号。
“zoh”
“呸”-一阶保持器在样本之间保持分段线性输入信号。
“呸”
“提单”—限带行为指连续时间输入信号在奈奎斯特频率以上的功率为零。
“提单”
InputOffset
在估计过程中从时域输入数据中删除的偏移量。对于非线性模型,它是[].
OutputOffset
在估计过程中从时域输出数据中删除的偏移量。对于非线性模型,它是[].
有关使用的更多信息报告,请参阅评估报告.
反射系数和损失函数,以2 × 2数组的形式返回。对于两种基于晶格的方法“城”而且“gl”,反射在第一行中存储反射系数,在第二行中存储相应的损失函数值。的第一列反射是零阶模型,和(2, 1)的元素反射是时间序列本身的常态。有关示例,请参见用Burg's方法检索反射系数.
(2, 1)
AR模型结构无输入,由下式给出:
一个 ( 问 ) y ( t ) = e ( t )
该模型结构适用于无输入通道的标量时间序列数据的估计。该结构是ARX结构的特殊情况。
ARI模型是在噪声通道中加入积分器的AR模型。ARI模型结构由下式给出:
一个 ( 问 ) y ( t ) = 1 1 − 问 − 1 e ( t )
AR和ARI模型参数的估计采用最小二乘法的变体。下表总结了具有特定组合的方法的通用名称方法而且窗口参数值。
arx
[1]小S. L.马普尔第八章。数字光谱分析及其应用.恩格尔伍德悬崖,新泽西州:Prentice Hall, 1987。
arOptions|idpoly|arx|etfe|ivar|pem|水疗中心|预测|iddata|光谱
etfe
ivar
pem
水疗中心
预测
光谱
Sie haben eine geänderte版本dieses Beispiels。Möchten Sie dieses Beispiel mit Ihren Änderungen öffnen?
你的身体和身体之间的联系MATLAB-Befehl
Führen Sie den Befehl durch Eingabe in das MATLAB-Befehlsfenster aus。web浏览器unterstützen keine MATLAB-Befehle。
选择一个网站,在可用的地方获得翻译的内容,并查看当地的活动和优惠。根据您所在的位置,我们建议您选择:.
您也可以从以下列表中选择一个网站:
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。
联系当地办事处
现在就去审判吧