主要内容
时间序列分析
通过识别线性和非线性模型（如AR、ARMA、状态空间和灰箱模型）分析时间序列数据，执行谱分析，并预测模型输出
A.时间序列包含一个或多个测量输出通道但没有测量输入的数据。时间序列模型，也称为信号模型，是一个动态系统，它被识别来适应给定的信号或时间序列数据。时间序列可以是多元的，这就产生了多元模型。你可以在系统识别应用程序或在命令行中。系统识别工具箱™ 使您能够创建和估计四种常规类型的时间序列模型。
线性参数模型-估计结构中的参数，如自回归模型和状态空间模型。
频率响应模型-使用频谱分析估计频谱模型。
非线性ARX模型-估计非线性ARX结构中的参数。
灰箱模型-估计表示系统动力学的常微分或差分方程的系数。
参数时间序列模型辨识需要均匀采样的时域数据，但ARX模型除外，它可以处理频域信号。频谱分析算法支持时域和频域数据。您的数据可以有一个或多个输出通道，并且必须没有输入通道。有关时间序列模型的详细信息，请参见金宝app什么是时间序列模型？
您可以使用已识别的模型在命令行、应用程序或Simulink中预测模型输出金宝app®. 在命令行中，还可以预测超出测量数据时间范围的模型输出。
功能
话题
估计模型
模拟时间序列，并使用参数和非参数方法估计和比较时间序列模型。
在命令行和应用程序中估计时间序列数据的多项式AR和ARMA模型。
估计自回归综合移动平均(ARIMA)模型。
在命令行上估计时间序列数据的状态空间模型。
在命令行和应用程序中估计时间序列数据的功率谱。
使用线性和非线性灰箱模型估计模型参数。
预测模型输出
使用线性和非线性模型预测时间序列数据和输入输出数据的工作流。
创建一个时间序列模型，并使用该模型进行预测、预测和状态估计。
了解使用线性和非线性模型预测数据的概念。
特色实例
你也可以从以下列表中选择一个网站:
