“零”——初始状态设置为零。

“估计”——初始状态被当作一个独立的评估参数。

“MOESP”——使用Verhaegen MOESP算法[2]。

“脑血管意外”——由Larimore使用正则变量算法[1]。

估计使用频域数据总是使用“脑血管意外”。

“SSARX”- - -子空间识别方法,使用基于ARX估计算法计算权重。

指定这个选项允许无偏估计中使用收集的数据时闭环操作。关于该算法的更多信息,请参阅[4]。

“汽车”——估计函数之间的选择MOESP,脑血管意外和SSARX算法。

与三个元素——行向量(r sy苏),在那里r最大向前预测地平线,使用r提前预测。sy是过去的输出,然后呢苏是过去的数量输入用于预测。看到209和210页[3]为更多的信息。这些数字可以有实质性影响的质量产生的模型,并没有简单的规则选择他们。使“N4Horizon”一个k3矩阵意味着每一行“N4Horizon”出最好的尝试,价值(预测)适合数据被选中。k的猜测吗(r sy苏)组合。如果您指定N4Horizon作为一个单独的列,r = sy =苏使用。

“汽车”——软件使用Akaike信息准则(AIC)的选择sy和苏。

“预测”——提前一步预测误差测量和预测输出之间最小化估计。因此,评估主要关注的是产生一个好的预测模型。

“模拟”——测量和模拟输出之间的模拟误差在估计过程中被最小化。结果,估计是让适合模拟模型与当前输入响应。

[]——不使用加权预滤器。

通频带,指定一个行向量或矩阵包含定义所需的通频带的频率值。你选择一个频带之间的配合优化估计模型和估计数据。例如,(王,wh)在哪里王和wh代表低和通频带的上限。为一个矩阵几行定义频率通带,[w1l, w1h; w2l w2h; w3l, w3h;……)估计算法使用联盟定义估计通频带的频率范围。

通频带的表达rad / TimeUnit对时域数据和FrequencyUnit频域数据,TimeUnit和FrequencyUnit是时间和频率的单位的评估数据。

输出过滤器——指定一个single-input-single-output线性滤波器的输出以以下方式之一:

权重向量,只适用于频域数据。指定一个列向量的权重。这个向量必须具有相同的频率向量的长度的数据集,Data.Frequency。每个输入和输出响应的数据频率乘以相应的重量。

“上”——信息模型结构和评估结果显示在一个progress-viewer窗口。

“关闭”——没有任何进展或结果信息显示。

一个列向量长度的正整数ν,在那里ν输入的数量。

[]——表示没有抵消。

ν——- - - - - -不矩阵——multi-experiment数据,指定InputOffset作为一个ν——- - - - - -不矩阵。ν输入和数量吗不是实验的数量。

一个列向量的长度纽约,在那里纽约是输出的数量。

[]——表示没有抵消。

纽约——- - - - - -不矩阵——multi-experiment数据,指定OutputOffset作为一个纽约——- - - - - -不矩阵。纽约是输出的数量,和不是实验的数量。

“噪音”——减少 $$\mathrm{依据}(E”*E/N)$$,在那里E代表了预测误差N是数据样本的数量。这个选择是统计意义上的最优,导致了最大似然估计如果没有可用数据噪声的方差。这个选项使用估计噪声方差的倒数作为权重函数。

半正定对称矩阵(W)——最小化加权预测误差的跟踪矩阵跟踪(E”* E * W / N)地点:

[]——软件之间的选择“噪音”或者使用的单位矩阵W。