时间序列分析
分析时间序列数据，识别线性和非线性模型，包括AR、ARMA和状态空间模型;预测的值
功能
基于“增大化现实”技术 |
对于标量时间序列，估计AR模型或ARI模型的参数 |
armax |
利用时域数据估计ARMAX、ARIMAX、ARMA或ARIMA模型的参数 |
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 |
估计频率响应与固定的频率分辨率使用频谱分析 |
spafdr |
估计频率响应和频谱使用频谱分析与频率相关的分辨率 |
ivar |
工具变量法的AR模型估计 |
n4sid |
利用时域或频域数据用子空间方法估计状态空间模型 |
党卫军 |
估计状态空间模型使用时域或频域数据 |
pem |
线性和非线性模型的预测误差估计 |
nlarx |
估计非线性ARX模型的参数 |
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 |
设置或随机化初始参数值 |
noise2meas |
模型噪声分量 |
arOptions |
选项设置基于“增大化现实”技术 |
forecastOptions |
选项设置预测 |
simOptions |
选项设置sim卡 |
例子和如何做
如何在应用程序和命令行中估计时间序列数据的功率谱。
在命令行和应用程序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线或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。
这个例子展示了如何模拟一个时间序列，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执行多元时间序列预测的数据测量从捕食者和猎物拥挤的场景。
这个示例展示了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
你也可以从以下列表中选择一个网站:
