对每个段的段数据和估算模型
segm =段(z,nn)[segm, V,三卤甲烷,R2e] =段(z, nn, R2, q, R1, M, th0, P0,噢,μ)
段
构建AR,ARX或ARMAX / ARMA类型的型号,
假设模型参数随着时间的推移是分段常量。它导致一个模型,该模型将数据记录分成模型保持恒定的段。函数模型可能经历突变变化的信号和系统。
输入输出数据包含在z
,这是一个iddata.
对象或矩阵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NN.
定义模型顺序。对于ARMAX模型
n = [na nb nc nk];
在哪里NA.
,NB.
, 和NC.
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,NB.
和NK.
是行向量,给出了每个输入的顺序和延迟。
对于ARX模型(nc = 0.
) 进入
nn = [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
Th行包含与时间对应的参数k
.这类似于recursiveARX
和RecursiveArmax.
估计。输出参数三卤甲烷
的段
包含尚未分段的相应模型参数。每一排三卤甲烷
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
(默认值:5)不同的时变模型,随着参与模型在每次步骤时更改。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
是假设的创新方差e(t)。的默认值R2
,R2 = []
,是估计的。然后输出参数R2e
是一个矢量k
th元素包含估计值R2
当时k
.
这个论点问
是该模型在任何给定时间展示突然变化的概率。默认值是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
是参数的初始值。它的默认为零。P0.
为参数的初始协方差矩阵。默认值是单位矩阵的10倍。
二
是每个模型的保证生活。也就是说,任何创建的候选模型都不会被废除直到至少二
时间步骤。默认为我= 1
.亩
在估计方案中是否使用了遗忘参数R2
.默认为0.97
.
您选择的最关键参数是R2
.有一个合理的猜测通常更可靠R2
比估计它。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)
对应于该值的变化y(t),没有显示系统或输入可能已更改。
段
与…不相容马铃薯®编码器™要么Matlab Compiler™.
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
通过加重在一起形成米
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)都会步进二
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
,随机跳跃的模型中最有可能。参数更改的协方差矩阵设置为R1
.
在检查所有数据之后,跟踪后概率最高的存活模型以及标记跳跃的时间实例。这定义了数据的不同段。(如果在算法中没有废除模型,则这将是跳转实例的最大似然估计。)分段模型segm
然后通过平滑参数估计来形成,假设跳转实例是正确的。换句话说,选择在段的最后估计来表示整个段。