预测
确定预测模型输出
语法
描述
例子
预测未来值的正弦信号
预测一个正弦信号的值,使用一个基于“增大化现实”技术的模型。
数据生成和阴谋。
data = iddata(罪(0.1 * [1:10])”,[]);情节(数据)
符合正弦波的AR模型。
sys = ar(数据,2);
预测未来值对于一个给定的时间范围。
K = 100;p =预测(sys、数据、K);
K指定100个样本的预测时间范围。p是预测模型响应。
情节的预测数据。
情节(数据、“b”、磷、“r”),传说(“测量”,“预测”)
另外,使用语法图预测的输出预测(sys、数据、K)。
预测时间序列模型的响应
获取过去的数据,并确定一个时间序列模型。
负载iddata9z9past_data = z9.OutputData (1:50);= ar模型(z9 4);
z9是一个iddata对象,该对象包含测量输出。
模型是一个idpoly时间序列模型。
为预测指定初始条件。
选择= forecastOptions (“InitialCondition”,“e”);
画出预测系统响应给定时间范围。
K = 100;预测(模型、past_data K,选择);传奇(“测量”,“预测”)
情节预测输出与指定的行类型
获取过去的数据,并确定一个时间序列模型。
负载iddata9z9past_data = z9.OutputData (1:50);= ar模型(z9 4);
z9是一个iddata对象,该对象包含测量输出。
情节的预测系统响应给定时间范围作为一个红色虚线。
K = 100;(预测模型,“r——”、past_data K);
情节也默认显示过去的数据。改变显示选项,右键单击访问上下文菜单的阴谋。例如,视图的估计标准偏差预测输出,选择ConfidenceRegion从上下文菜单中。指定数量的标准差情节,双击情节和打开属性编辑器对话框。在对话框中,选项选项卡中,指定的标准偏差置信区域的识别模型。默认值是1标准差。
预测模型响应已知未来输入
获取过去的数据,未来的输入,和一个确定的线性模型。
负载iddata1z1z1 = iddata (cumsum (z1.y) cumsum (z1.u) z1.Ts,“InterSample”,“呸”);past_data = z1 (1:10 0);future_inputs = z1.u(101:结束);sys =保利(z1 (2 2 2 0 0 1),“IntegrateNoise”,真正的);
z1是一个iddata包含集成数据的对象。sys是一个idpoly模型。past_data包含的前100数据点z1。
future_inputs包含的最后200数据点z1。
预测未来系统响应给定时间范围和未来的输入。
K = 200;(yf, x0, sysf yf_sd x, x_sd] =预测(sys、past_data K, future_inputs);
yf预测模型的响应,yf_sd是输出的标准偏差。x0是初始状态的估计价值,sysf状态空间模型的预测。还返回状态轨迹,x和标准偏差的轨迹,x_sd。
预测的反应。
UpperBound = iddata (yf.OutputData + 3 * yf_sd, [], yf.Ts,“Tstart”,yf.Tstart);下界= iddata (yf.Ts yf.OutputData-3 * yf_sd, [],“Tstart”,yf.Tstart);情节(past_data (:,: []), yf (:,: []), UpperBound,“k——”下界,“k——”)({传奇“测量”,“预测”,“3 sd的不确定性”},“位置”,“最佳”)
画出状态轨迹。
t = z1.SamplingInstants(101:结束);次要情节(1,1)情节(t) x (: 1), t, x (: 1) + 3 * x_sd (: 1),“k——”t x (: 1) 3 * x_sd (: 1),“k——”)标题(“X_1”次要情节(3、1、2)情节(t) x (:, 2), t, x (:, 2) + 3 * x_sd (:, 2),“k——”t x (:, 2) 3 * x_sd (:, 2),“k——”)标题(“X_2”次要情节(3,1,3)情节(t) x (:, 3), t, x (:, 3) + 3 * x_sd (:, 3),“k——”t x (:, 3) 3 * x_sd (:, 3),“k——”)标题(“X_3”)
响应的不确定性不规范的增长预测时间跨度,因为未来的输入。
多输出非线性时间序列模型的预测反应
加载数据。
负载(fullfile (matlabroot“工具箱”,“识别”,“iddemos”,“数据”,“predprey2data”));z = iddata (y, [], 0.1);集(z,“Tstart”0,“OutputUnit”,{“人口(千)”,…“人口(千)”},“TimeUnit”,“年”);
z是一个两个输出时间序列数据集(不输入)从1-predator 1-prey人口。人口展品捕食者种群下降由于拥挤。数据集包含了201个数据样本覆盖20年的进化。
捕食者的变化(日元)和猎物(y2人口)可以表示为:
捕食者和猎物种群的非线性可以配合使用非线性ARX模型与自定义的解释。
使用数据,历史数据的一部分。
past_data = z (1:10 0);
指定标准的解释。
na = [1 0;0 1];nb = [];nk = [];
指定自定义的解释。
C = {{“y1 (t - 1) * y2 (t - 1)”},{“y1 (t - 1) * y2 (t - 1)”,“y2 (t - 1) ^ 2”}};
估计非线性ARX模型使用past_data估计数据。
sys = nlarx (past_data (na nb nk),“idWaveletNetwork”,“CustomRegressors”C);
比较的模拟输出sys测量数据,以确保它是一个不错的选择。
比较(past_data sys);
情节的预测输出sys。
预测(sys, past_data, 101);传奇(“测量”,“预测”);
复制通过仿真预测结果
获取过去的数据,未来的输入和识别线性模型。
负载iddata3z3past_data = z3 (1:10 0);future_inputs = z3.u(101:结束);sys =保利(z3 [2 2 2 0 0 1);
预测未来系统响应给定时间范围和未来的输入。
K =大小(future_inputs, 1);[yf, x0, sysf] =预测(sys、past_data K, future_inputs);
yf预测模型的响应,x0是初始状态的估计价值,sysf状态空间模型的预测。
模拟预测与状态空间模型的输入,future_inputs和初始条件,x0。
选择= simOptions;opt.InitialCondition = x0;y = sim (sysf future_inputs (1: K),选择);
情节的预测和模拟输出。
t = yf.SamplingInstants;情节(t, yf.OutputData“b”、t、y“r”);传奇(“预测输出”,模拟输出的)
模拟预测模型,sysf输入,future_inputs和初始条件,x0产量预测的输出,yf。
输入参数
输出参数
提示
右击打开上下文菜单的图,您可以访问以下选项:
系统——选择系统查看预测输出。默认情况下,所有系统的预测输出策划。
数据实验——仅供multi-experiment数据。从不同的实验数据之间切换。
特征——查看以下数据特点:
峰值——视图数据的峰值。
平均值——视图数据的平均值。
置信区域-查看估计标准偏差的预测输出。指定数量的标准差情节,双击情节和打开属性编辑器对话框。指定的标准偏差选项选项卡,在置信区域的识别模型。默认值是
1标准差。为非线性ARX和生成的置信区域不是Hammerstein-Wiener模型和模型不包含参数协方差信息。
显示过去的数据——情节过去输出数据用于预测。默认情况下,过去的输出数据绘制。
I / O分组——数据集包含多个输入或输出通道。选择分组输入和输出通道的阴谋。
没有一个输出通道——情节在自己单独的轴。
所有——所有一起输入通道和输出通道分组。
I / O选择器——数据集包含多个输入或输出通道。选择输入和输出通道的一个子集阴谋。默认情况下,所有输出通道绘制。
网格——添加网格图。
正常化——正常化y轴的所有数据。
全视图——返回完整的视图。默认情况下,这个情节是全视图缩放。
属性——打开属性编辑器对话框来定制属性。
