时间序列分析
分析时间序列数据通过识别线性和非线性模型,如基于“增大化现实”技术的ARMA,状态,和灰色矩形模型,进行光谱分析,预测模型输出
一个时间序列测量数据,包含一个或多个输入输出通道,但没有测量。一个时间序列模型,也称为信号模型,是一个动态系统,确定适合一个给定的信号或时间序列数据。可以多变量时间序列,从而导致多变量模型。你可以确定时间序列模型系统识别应用程序或命令行。系统辨识工具箱™使您能够创建和评估四个一般类型的时间序列模型。
等结构的线性参数模型,参数估计自回归模型和状态空间模型。
利用光谱分析频率特性模型,估计谱模型。
非线性ARX模型,估计参数的非线性ARX结构。
灰色矩形模型的估计系数常微分或差分方程来表示你的系统动力学。
参数时间序列模型识别需要均匀采样的时域数据,除了ARX模型,它可以处理频域信号。光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,必须没有输入通道。时间序列模型的更多信息,请参阅时间序列模型是什么?
您可以使用所确定的模型来预测模型输出在命令行中,在应用程序,或在仿真软件金宝app®。在命令行上,您还可以预测模型输出测量数据的时间范围之外。
Funzioni
Argomenti
关于时间序列模型
- 时间序列模型是什么?
一个时间序列模型,也称为信号模型,是一个动态系统,确定适合的数据只包含输出通道,没有输入通道。 - 分析时间序列模型
学习如何分析时间序列模型。
估计模型
- 在命令行中识别时间序列模型
模拟一个时间序列,并使用参数和非参数方法估计和比较时间序列模型。 - 估计AR和ARMA模型
估计多项式AR和ARMA模型对时间序列数据的命令行和应用。 - 估计ARIMA模型
估计自回归移动平均(ARIMA)模型集成。 - 估计状态时间序列模型
估计状态空间模型对时间序列数据的命令行。 - 估计时间序列功率谱
估计功率谱在命令行时间序列数据和应用程序。 - 估计系数常微分方程适合给定的解决方案
模型参数估计使用线性和非线性灰色矩形建模。
预测模型的输出
- 预测输出的动态系统
工作流预测时间序列数据和使用线性和非线性输入输出数据模型。 - 时间序列预测和预后的预测
创建一个时间序列模型和使用预测模型,预测和状态估计。 - 介绍动态系统响应的预测
理解使用线性和非线性预测数据的概念模型。