分段数据和估计模型为每个分段
segm =段(z, nn)[segm, V,三卤甲烷,R2e] =段(z, nn, R2, q, R1, M, th0, P0,噢,μ)
段
建立AR、ARX或ARMAX/ARMA类型的模型,
假设模型参数随时间分段不变。它产生了一个模型,该模型将数据记录分割成多个片段,模型在这些片段上保持不变。功能模型是可能发生突变的信号和系统。
输入输出数据包含在z
,也就是aniddata
物体或矩阵Z = [y u]
在哪里y
和u
是列向量。如果系统有多个输入,u
有相应的列数。
这个论点神经网络
定义模型顺序。对于ARMAX模型
n = [na nb nc nk];
在哪里na
,注
,数控
是相应多项式的阶数。看到什么是多项式模型?.此外,nk
是延迟。如果模型有几个输入,注
和nk
是行向量,给出了每个输入的顺序和延迟。
对于ARX模型(数控= 0
)输入
n = [na nb nk];
对于时间序列的ARMA模型
z = y;n = [na nc];
以及AR模型
nn = na;
输出参数segm
是一个矩阵吗k
第一行为时间对应的参数k
.这类似于recursiveARX
和recursiveARMAX
估计。输出参数三卤甲烷
的段
包含尚未分割的相应模型参数。每一行的三卤甲烷
包含相应时刻的参数估计。这些估计是将的参数加权在一起形成的米
(默认:5)不同的时变模型,参与模型在每一个时间步变。考虑段
当您对连续跟踪单个模型的参数变化不感兴趣,但需要检测系统动力学中的突然变化时,作为在线估计命令的替代。
输出参数V
包含分段模型预测误差的平方和。这是市场细分成功与否的一个衡量标准。
输入参数R2
创新的假设方差是多少e(t)。的默认值R2
,R2 = []
,是估计的。然后输出参数R2e
是一个向量k
元素包含的估计R2
在时间k
.
这个论点问
为模型在任何给定时间出现突变的概率。默认值为0.01
.
R1
为参数跳变发生时的假设协方差矩阵。默认值是单位矩阵,其维数等于估计参数的个数。
米
是算法中使用的并行模型的数量(见下)。其默认值为5
.
th0
为参数的初始值。它的默认值是零。P0
为参数的初始协方差矩阵。默认值是单位矩阵的10倍。
噢
是每个模型的保证寿命。也就是说,任何创建的候选模型在至少之后才会被废除噢
时间的步骤。默认值是我= 1
.μ
在估计方案中是否使用了遗忘参数R2
.默认值是0.97
.
您需要选择的最关键参数是R2
.有一个合理的猜测通常更可靠R2
而不是去估计。通常,您需要尝试不同的值R2
并评估结果。(参见下面的例子。)sqrt (R2)
对应于值的更改y(t),没有显示系统或输入可能已更改。
段
与…不相容MATLAB®编码器™或MATLAB编译器™.
该算法基于米
并行模型,每个递归估计由卡尔曼滤波类型的算法。每个模型独立更新,计算其后验概率。时变估计三卤甲烷
是由把米
权重等于后验概率的不同模型。每一次,模型(在那些至少存在过的模型中)都会步进噢
具有最小后验概率的样本)被取消。在假设系统参数随概率变化的情况下,建立了一个新的模型问
,从最可能的模型中随机跳变。将参数变化的协方差矩阵设置为R1
.
在检查完所有的数据后,跟踪具有最高后验概率的幸存模型,并标记其跳跃的时间实例。这定义了数据的不同部分。(如果在算法中没有取消模型,这将是跳跃实例的最大似然估计。)分段模型segm
然后通过平滑参数估计形成,假设跳转实例是正确的。换句话说,最后的估计值被选择来代表整个线段。