段
每段段数据和估计模型
语法
segm =段(z, nn)[segm, V,三卤甲烷,R2e] =段(z, nn, R2, q, R1, M, th0, P0,噢,μ)
描述
段建立AR模型,ARX或ARMAX / ARMA类型,
假设模型参数分段常数。它导致一个模型,将数据记录分成段模型保持不变。函数模型可能发生突然变化的信号与系统。
中包含的输入-输出数据z,这是一个iddata对象或一个矩阵z = [y u]在哪里y和u是列向量。如果系统有多个输入,u有相应的列数。
这个论点神经网络定义了模型。ARMAX模型
nn = (na nb数控nk);
在哪里na,注,数控的订单相应的多项式。看到多项式模型是什么?。此外,nk是延迟。如果模型有多个输入,注和nk行向量,为每个输入发号施令和延迟。
对于一个ARX模型(数控= 0)输入
nn = (na nb nk);
对于一个时间序列的ARMA模型
z = y;nn = (na nc);
和一个AR模型
nn = na;
输出参数segm是一个矩阵,在那里kth行包含相应的参数k。这类似于输出返回的估计recursiveARX和recursiveARMAX估计。输出参数三卤甲烷的段包含相应的模型参数,尚未分割。每一行的三卤甲烷包含在相应的时间参数估计。这些估计的参数由权重在一起米(默认值:5)不同的时变模型,与参与模型在每一个时间步的变化。考虑段替代在线估计命令时不感兴趣不断跟踪单个模型的参数的变化,但需要检测的系统动力学的变化。
输出参数V包含的平方之和分段模型的预测错误。这是一个衡量成功的分割。
输入参数R2假定方差的创新吗e(t在模型中)。的默认值R2,R2 = [],据估计。然后输出参数R2e是一个向量的k元素包含的估计R2在时间k。
这个论点问的概率是模型展览突然改变在任何给定的时间。默认值是0.01。
R1是假定的协方差矩阵的参数跳时发生。默认值是单位矩阵维度等于估计参数的数量。
米并行模型的数量用于算法(见下文)。它的默认值是5。
th0参数的初始值。默认为零。P0是初始参数的协方差矩阵。默认值是10倍单位矩阵。
噢保证生活的每一个模型。也就是说,任何候选人创建模型至少后才废除噢时间的步骤。默认值是我= 1。μ是一个遗忘参数,用于估计的方案R2。默认值是0.97。
最重要的参数供你选择R2。它通常是更健壮的有一个合理的猜测R2比估计。通常,你需要尝试不同的值R2和评估结果。(见下面的例子)。sqrt (R2)对应于一个值的变化y(t),是正常的,没有迹象表明系统或输入可能已经改变了。
例子
将正弦信号分成段在恒定的水平
创建一个正弦信号的模拟模型输出。
y =罪((1:50)/ 3)”;
指定输入信号是常数1。
u = 1(大小(y));
指定为模型估计噪声方差。
R2 = 0.1;
段的信号和估计每一部分的ARX模型。使用简单的模型 ,在那里 是描述分段常数的模型参数估计的输出, 。
segm =段([y、u], [0 1 1], R2);
检查结果。
情节([segm y])
不同的价值R2改变估计噪声方差。减少R2增加了这个模型的段的数量生产。
使用分割模型时间延迟的突然改变
加载和绘制估计数据。
负载iddemo6m.matzz = iddata (z (: 1)、z (:, 2));情节(z)
这个数据包含一个时间延迟的变化2来1,这是很难发现通过检查数据。
指定模型的订单估计ARX模型的形式:
nn = (1 2 1);
段的数据和估计ARX模型每一部分。指定一个估计噪声的方差0.1。
赛格=段(z, nn, 0.1);
检查分段模型的参数。
情节(凹陷)传说(“一个”,“b1”,“b2”);
将数据分为两段,所表示的模型参数的变化在样品号19。的增加b1以及相应的减少b2显示延迟的变化模型。
限制
段不兼容MATLAB®编码器™或MATLAB编译器™。
算法
该算法是基于米并行模型,每个递归估计卡尔曼滤波器的算法类型。每个模型独立更新,及其计算后验概率。时变估计三卤甲烷是由加权一起吗米不同的模型和权重等于他们的后验概率。在每个时间步模型(至少那些生活噢样本)后验概率最低的废除。开始一个新的模型,假设系统参数发生了变化,与概率问,随机从最可能的模型。参数的协方差矩阵将改变R1。
检查所有的数据之后,幸存的模型后验概率最高的是跟踪和时间实例跳标记。它定义了不同的数据。(如果没有模型已被废除的算法,这是跳转的最大似然估计实例。)分段模型segm然后由平滑的参数估计,假设跳实例是正确的。换句话说,最后估计在一段被选出来代表整个段。
版本历史
之前介绍过的R2006a
