时间序列分析
通过识别线性和非线性模型，包括AR、ARMA和状态空间模型，分析时间序列数据;预测的值
功能
基于“增大化现实”技术 |
标量时间序列的AR模型或ARI模型参数估计 |
armax |
利用时域数据估计ARMAX模型参数 |
arx |
估计ARX, ARIX, AR或ARI模型的参数 |
etfe |
估计经验传递函数和周期图 |
水疗中心 |
使用频谱分析估算固定频率分辨率的频率响应 |
spafdr |
使用频率相关分辨率的频谱分析来估计频率响应和频谱 |
ivar |
用工具变量法估计AR模型 |
n4sid |
用子空间方法估计状态空间模型 |
党卫军 |
使用时域或频域数据估计状态空间模型 |
pem |
线性和非线性模型的预测误差估计 |
nlarx |
非线性ARX模型参数估计 |
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 |
idnlarx |
非线性ARX模型 |
getpvec |
模型参数和相关的不确定性数据 |
setpvec |
修改模型参数值 |
初始化 |
设置或随机初始参数值 |
noise2meas |
模型噪声分量 |
arOptions |
ar选项集 |
forecastOptions |
为预测设置选项 |
simOptions |
sim选项集 |
例子和如何
如何在应用程序和命令行中估计时间序列数据的功率谱。
如何在应用程序和命令行中估计时间序列数据的多项式AR和ARMA模型。
这个例子展示了如何估计自回归综合移动平均或ARIMA模型。
如何在应用程序和命令行中估计时间序列数据的状态空间模型。
本示例演示如何模拟时间序列，并使用参数和非参数方法来估计和比较时间序列模型。
这个例子展示了如何分析时间序列模型。
这个例子展示了如何对时间序列数据进行谱估计。
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。
这个例子展示了如何在猎物拥挤的情况下，对捕食者和猎物种群测量的数据进行多元时间序列预测。
本示例演示如何创建时间序列模型，并使用该模型进行预测、预测和状态估计。
概念
特色的例子
您也可以从以下列表中选择一个网站:
