段
分段数据和估计模型为每个分段
语法
segm =段(z, nn)[segm, V,三卤甲烷,R2e] =段(z, nn, R2, q, R1, M, th0, P0,噢,μ)
描述
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。
例子
将正弦波分割成恒定电平段
为模拟模型输出创建一个正弦信号。
y =罪((1:50)/ 3)”;
指定输入信号为常量1．
u = 1(大小(y));
指定模型的估计噪声方差。
R2 = 0.1;
对信号进行分段，并对每个分段估计一个ARX模型。使用简单模型 ,在那里 是描述估计输出分段常数水平的模型参数， ．
segm = segment([y,u]，[0 1 1]，R2);
检查结果。
情节([segm y])
改变…的价值R2来改变估计的噪声方差。减少R2增加为这个模型生产的段的数量。
基于分割的时滞突变模型
加载并绘制估计数据。
负载iddemo6m.matzz = iddata (z(: 1)、z (:, 2));情节(z)
该数据包含从2来1，这很难通过检查数据来发现。
指定模型顺序来估计ARX模型的形式:
Nn = [1 2 1];
对数据进行分段，并估计每个分段的ARX模型。的估计噪声方差0．1．
赛格=段(z, nn, 0.1);
检验分段模型的参数。
情节(凹陷)传说(“一个”，“b1”，“b2”）;
数据被分为两部分，这可以从样本号19前后模型参数的变化看出。的增加b1，并相应减少b2，表示模型延迟的变化。
限制
段与…不相容MATLAB®编码器™或MATLAB编译器™．
算法
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。
另请参阅
主题
你也可以从以下列表中选择一个网站:
