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k
th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
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