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)来分析时间序列数据,进行光谱分析,并预测模型输出

一个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命令行。系统识别工具箱™使您能够创建和估计四种一般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。

参数时间序列模型识别需要均匀采样的时域数据,而ARX模型可以处理频域信号。频谱分析算法支持时域和频域数据。金宝app您的数据可以有一个或多个输出通道,但必须没有输入通道。有关时间序列模型的更多信息,请参见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,您还可以预测超出测量数据时间范围的模型输出。

功能

全部展开

基于“增大化现实”技术 对于标量时间序列,估计AR模型或ARI模型的参数
arOptions 选项设置基于“增大化现实”技术
arx 估计ARX、ARIX、AR或ARI模型的参数
armax 利用时域数据估计ARMAX、ARIMAX、ARMA或ARIMA模型的参数
ivar 工具变量法的AR模型估计
党卫军 估计状态空间模型使用时域或频域数据
n4sid 利用时域或频域数据用子空间方法估计状态空间模型
水疗中心 估计频率响应与固定的频率分辨率使用频谱分析
spafdr 估计频率响应和频谱使用频谱分析与频率相关的分辨率
etfe 估计经验传递函数和周期图
nlarx 估计非线性ARX模型的参数
感动的 线性灰箱模型估计
nlgreyest 估计非线性灰箱模型参数
idpoly 具有可识别参数的多项式模型
中的难点 具有可识别参数的状态空间模型
idfrd 频率响应数据或模型
idnlarx 非线性ARX模型
idgrey 具有可识别参数的线性ODE(灰箱模型)
idnlgrey 非线性灰色矩形模型
光谱 输出功率谱的时间序列模型
预测 预测识别模型输出
预测 预测k -step ahead模型输出

主题

关于时间序列模型

什么是时间序列模型?

时间序列模型,也称为信号模型,是一个动态系统,它被识别来拟合只有输出通道而没有输入通道的数据。

分析时间序列模型

学习如何分析时间序列模型。

估计模型

在命令行识别时间序列模型

模拟一个时间序列,使用参数和非参数方法来估计和比较时间序列模型。

估计AR和ARMA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ARIMA模型

估计自回归综合移动平均(ARIMA)模型。

估计状态-空间-时间序列模型

在命令行估计时间序列数据的状态空间模型。

估计时间序列功率谱

在命令行和应用程序中估计时间序列数据的功率谱。

估计ode系数以拟合给定解

使用线性和非线性灰箱模型估计模型参数。

预测模型的输出

动态系统产量预测

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。

时间序列预测和预后预测

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。

动态系统响应预测导论

理解使用线性和非线性模型预测数据的概念。

特色的例子