nlarxgydF4y2Ba

负荷估算数据。gydF4y2Ba

负载gydF4y2BatwotankdatagydF4y2Ba;gydF4y2Ba

创建一个gydF4y2BaiddatagydF4y2Ba对象的评估数据和样本时间0.2秒。gydF4y2Ba

t = 0.2;z = iddata (y, u, Ts);gydF4y2Ba

估计非线性ARX模型利用ARX模型订单指定解释变量。gydF4y2Ba

sysNL = nlarx (z, [4 4 1])gydF4y2Ba

sysNL =非线性ARX模型与输入1输出和输入:u1输出:y1解释变量:线性解释变量y₁, u1输出功能:小波网络有11个单元样品时间:0.2秒状态:估计使用NLARX时域数据“z”。适合估算数据:96.84%(预测聚焦)消防工程:3.482 e-05, MSE: 3.431 e-05模型的“报告”属性的更多信息。gydF4y2Ba

sysgydF4y2Ba使用默认的gydF4y2BaidWaveletNetworkgydF4y2Ba函数和输出函数。gydF4y2Ba

相比之下,计算一个线性ARX模型与订单相同的模型。gydF4y2Ba

sysL = arx (z, (4 4 1));gydF4y2Ba

模型输出与原始数据进行比较。gydF4y2Ba

比较(z, sysNL sysL)gydF4y2Ba

非线性模型具有更好的适合比线性模型的数据。gydF4y2Ba

指定一个线性回归量相当于一个ARX模型矩阵的顺序gydF4y2Ba(4 4 1)gydF4y2Ba。gydF4y2Ba

订单的矩阵gydF4y2Ba(4 4 1)gydF4y2Ba指定输入和输出回归量集包含四个解释变量滞后从1到4。例如,gydF4y2Ba ${\mathit{ugydF4y2Ba}}_{\mathrm{1gydF4y2Ba}}(gydF4y2Ba\mathit{tgydF4y2Ba}-\; -\; -\; -\; -\; -gydF4y2Ba\mathrm{2gydF4y2Ba})gydF4y2Ba$代表第二个输入回归量。gydF4y2Ba

指定输出和输入的名字。gydF4y2Ba

output_name =gydF4y2Ba“日元”gydF4y2Ba;input_name =gydF4y2Ba‘u1’gydF4y2Ba;名称= {output_name, input_name};gydF4y2Ba

指定输出和输入滞后。gydF4y2Ba

output_lag = (1 2 3 4);input_lag = (1 2 3 4);滞后= {output_lag, input_lag};gydF4y2Ba

创建线性回归量对象。gydF4y2Ba

lreg = linearRegressor(名称、滞后)gydF4y2Ba

lreg =线性解释变量y₁, u1变量:{“日元”的u1}滞后:{(1 2 3 4)(1 2 3 4)}UseAbsolute: [0 0] TimeVariable:“t”由这组解释变量描述gydF4y2Ba

负载评估数据和创建一个iddata对象。gydF4y2Ba

负载gydF4y2BatwotankdatagydF4y2Baz = iddata (y、u, 0.2);gydF4y2Ba

估计非线性ARX模型。gydF4y2Ba

sys = nlarx (z, lreg)gydF4y2Ba

sys =非线性ARX模型与输入1输出和输入:u1输出:y1解释变量:线性解释变量y₁, u1输出功能:小波网络有11个单元样品时间:0.2秒状态:估计使用NLARX时域数据“z”。适合估算数据:96.84%(预测聚焦)消防工程:3.482 e-05, MSE: 3.431 e-05模型的“报告”属性的更多信息。gydF4y2Ba

查看解释变量gydF4y2Ba

getreg(系统)gydF4y2Ba

ans =gydF4y2Ba8 x1细胞gydF4y2Ba{y1 (t - 1)的}{‘y1 (2)} {y1(条t - 3)的}{y1(第四节)的}{u1 (t - 1)的}{的u1 (2)} {u1(条t - 3)的}{}“u1(第四节)”gydF4y2Ba

比较评估的模型输出数据。gydF4y2Ba

比较(z, sys)gydF4y2Ba

创建时间和数据数组。gydF4y2Ba

dt = 0.01;t = 0: dt: 10;y = 10 * sin(2 *π* t) +兰德(大小(t));gydF4y2Ba

创建一个gydF4y2BaiddatagydF4y2Ba在没有输入信号的情况下,对象指定。gydF4y2Ba

z = iddata (y ', [], dt);gydF4y2Ba

估计非线性ARX模型。gydF4y2Ba

sys = nlarx (z, 2)gydF4y2Ba

sys =非线性时间序列模型输出:y1解释变量:线性解释变量y₁输出功能:小波网络与8单位样品时间:0.01秒状态:估计使用NLARX时域数据“z”。适合估算数据:92.92%(预测聚焦)消防工程:0.2568,MSE: 0.2507在模型的“报告”属性的更多信息。gydF4y2Ba

估计一个非线性ARX模型,使用映射函数gydF4y2BaidSigmoidNetworkgydF4y2Ba作为其输出函数。gydF4y2Ba

数据并将其加载到评估和验证数据集gydF4y2Ba泽gydF4y2Ba和gydF4y2BazvgydF4y2Ba。gydF4y2Ba

负载gydF4y2Batwotankdata.matgydF4y2BaugydF4y2BaygydF4y2Baz = iddata (y、u,gydF4y2Ba“t”gydF4y2Ba,0.2);泽= z (1:1500);zv z =(1501:结束);gydF4y2Ba

配置gydF4y2BaidSigmoidNetworkgydF4y2Ba映射函数。修复抵消0.2和15的数量单位。gydF4y2Ba

s = idSigmoidNetwork;s.Offset。价值=0。2;年代,NonlinearFcn。NumberOfUnits = 15;

创建一个包含四个输出的线性模型回归量规范解释变量和五个解释变量输入。gydF4y2Ba

reg1 = linearRegressor ({gydF4y2Ba“日元”gydF4y2Ba,gydF4y2Ba‘u1’gydF4y2Ba},{1:4,0:4});gydF4y2Ba

创建一个多项式模型回归量规范,包含两个输出条件的广场和三个输入条件。gydF4y2Ba

reg2 = polynomialRegressor ({gydF4y2Ba“日元”gydF4y2Ba,gydF4y2Ba‘u1’gydF4y2Ba},{1:2 0:2}2);gydF4y2Ba

设置评估选项的搜索方法和最大迭代次数。gydF4y2Ba

选择= nlarxOptions (gydF4y2Ba“SearchMethod”gydF4y2Ba,gydF4y2Ba“fmincon”gydF4y2Ba)”;opt.SearchOptions。MaxIterations = 40;gydF4y2Ba

估计非线性ARX模型。gydF4y2Ba

sys = nlarx(泽,[reg1; reg2],年代,选择);gydF4y2Ba

验证gydF4y2BasysgydF4y2Ba通过对比模拟模型对验证数据集。gydF4y2Ba

比较(zv sys)gydF4y2Ba

估计线性模型,提高模型通过添加一个gydF4y2BaidTreePartitiongydF4y2Ba输出函数。gydF4y2Ba

负荷估算数据。gydF4y2Ba

负载gydF4y2BathrottledatagydF4y2BaThrottleDatagydF4y2Ba

估计线性ARX模型gydF4y2BalinsysgydF4y2Ba与订单gydF4y2Ba(2 2 1)gydF4y2Ba。gydF4y2Ba

linsys = arx (ThrottleData [2 2 1]);gydF4y2Ba

创建一个gydF4y2BaidnlarxgydF4y2Ba模板模型,使用gydF4y2BalinsysgydF4y2Ba并指定gydF4y2BaidTreePartitiongydF4y2Ba作为输出函数。gydF4y2Ba

sys0 = idnlarx (linsys idTreePartition);gydF4y2Ba

修正的线性组件gydF4y2Basys0gydF4y2Ba所以,在估计,线性部分gydF4y2Basys0gydF4y2Ba仍然是相同的gydF4y2BalinsysgydF4y2Ba。设置偏移量组件值gydF4y2Ba南gydF4y2Ba。gydF4y2Ba

sys0.OutputFcn.LinearFcn。自由= false;sys0.OutputFcn.Offset。值=南;gydF4y2Ba

估计的自由参数gydF4y2Basys0gydF4y2Ba,这是非线性函数参数和偏移量。gydF4y2Ba

sys = nlarx (ThrottleData sys0);gydF4y2Ba

比较适合精度的线性和非线性模型。gydF4y2Ba

比较(ThrottleData linsys sys)gydF4y2Ba

生成一个自定义的网络映射对象需要一个用户定义的单元函数的定义。gydF4y2Ba

函数gydF4y2Ba[f, g, a] = gaussunit (x)gydF4y2Ba%定义单元非线性函数。gydF4y2Ba%gydF4y2Ba% 2015年版权MathWorks公司。gydF4y2Baf = exp (x - x . *);gydF4y2Ba如果gydF4y2Banargout > 1 g = 2 * x。* f;一个= 0.2;gydF4y2Ba结束gydF4y2Ba

H = @gaussunit;CNet = idCustomNetwork (H);gydF4y2Ba

负载gydF4y2Baiddata1gydF4y2Ba

sys = nlarx (z1, [1 2 1], CNet)gydF4y2Ba

sys = < >强非线性ARX模型与1输出和输入< /强>输入:u1输出:y1解释变量:线性解释变量y₁, u1输出功能:自定义网络10单位和“gaussunit”单位函数样本时间:0.1秒状态:终止条件:最大迭代次数达到. .迭代次数:20、功能评估:613估计使用NLARX时域数据“z1”。适合估算数据:64.35%(预测聚焦)消防工程:3.58,MSE: 2.465在模型的“报告”属性的更多信息。gydF4y2Ba

负荷估算数据。gydF4y2Ba

负载gydF4y2BamotorizedcameragydF4y2Ba;gydF4y2Ba

创建一个gydF4y2BaiddatagydF4y2Ba对象。gydF4y2Ba

z = iddata (y, u, 0.02,gydF4y2Ba“名字”gydF4y2Ba,gydF4y2Ba“机动相机”gydF4y2Ba,gydF4y2Ba“TimeUnit”gydF4y2Ba,gydF4y2Ba“年代”gydF4y2Ba);gydF4y2Ba

zgydF4y2Ba是一个gydF4y2BaiddatagydF4y2Ba对象有六个输入和两个输出。gydF4y2Ba

指定模型的命令。gydF4y2Ba

订单=[(2,2),2 * 1(2,6)的(2,6)];gydF4y2Ba

指定不同的映射函数对每一个输出通道。gydF4y2Ba

问= [idWaveletNetwork (2), idLinear];gydF4y2Ba

估计非线性ARX模型。gydF4y2Ba

sys = nlarx (z,订单,问)gydF4y2Ba

sys =非线性ARX模型与2输出和6输入输入:u1, u2, u3,愉快,u5, u6输出:y1, y2解释变量:线性解释变量y1, y2, u1, u2, u3,愉快,u5, u6输出功能:输出1:小波网络和2单元2:输出线性与抵消样品时间:0.02秒状态:终止条件:最大迭代次数达到. .迭代次数:20、功能评估:710估计使用NLARX时域数据“机动相机”。适合估算数据:[98.82,98.77]%(预测聚焦)消防工程:0.4839,MSE: 0.9762在模型的“报告”属性的更多信息。gydF4y2Ba

负荷估算数据并创建一个gydF4y2BaiddatagydF4y2Ba对象gydF4y2BazgydF4y2Ba。gydF4y2BazgydF4y2Ba包含两个输出通道和六个输入通道。gydF4y2Ba

负载gydF4y2BamotorizedcameragydF4y2Ba;z = iddata (y、u, 0.02);gydF4y2Ba

指定一组线性解释变量使用的输出和输入名称gydF4y2BazgydF4y2Ba,包含:gydF4y2Ba

名称= [z.OutputName;z.InputName];滞后= {1 1 [1,2],[1,2],[1,2],[1,2],[1,2],[1,2]};reg = linearRegressor(名称、滞后);gydF4y2Ba

估计一个非线性ARX模型使用一个gydF4y2BaidSigmoidNetworkgydF4y2Ba对所有输出通道映射函数有四个单元。gydF4y2Ba

sys = nlarx (z, reg, idSigmoidNetwork (4))gydF4y2Ba

sys =非线性ARX模型与2输出和6输入输入:u1, u2, u3,愉快,u5, u6输出:y1, y2解释变量:线性解释变量y1, y2, u1, u2, u3,愉快,u5, u6输出功能:输出1:乙状结肠网络4单元输出2:乙状结肠网络4单元样品时间:0.02秒状态:终止条件:最大迭代次数达到. .迭代次数:20、功能评估:177年预估使用NLARX时域数据“z”。适合估算数据:[98.86,98.79]%(预测聚焦)消防工程:2.641,MSE: 0.9233在模型的“报告”属性的更多信息。gydF4y2Ba

负荷估算数据gydF4y2Baz1gydF4y2Ba有一个输入和一个输出,并获得输出和输入的名字。gydF4y2Ba

负载gydF4y2Baiddata1gydF4y2Baz1gydF4y2Ba;= (z1名字。OutputNamez1。InputName]

名称=gydF4y2Ba1 x2单元格gydF4y2Ba{“日元”}{u1的}gydF4y2Ba

指定gydF4y2BalgydF4y2Ba作为线性解释变量表示的集合gydF4y2Ba ${\mathit{ygydF4y2Ba}}_{\mathrm{1gydF4y2Ba}}(gydF4y2Ba\mathit{tgydF4y2Ba}-\; -\; -\; -\; -\; -gydF4y2Ba\mathrm{1gydF4y2Ba})gydF4y2Ba$,gydF4y2Ba ${\mathit{ugydF4y2Ba}}_{\mathrm{1gydF4y2Ba}}(gydF4y2Ba\mathit{tgydF4y2Ba}-\; -\; -\; -\; -\; -gydF4y2Ba\mathrm{2gydF4y2Ba})gydF4y2Ba$,gydF4y2Ba ${\mathit{ugydF4y2Ba}}_{\mathrm{1gydF4y2Ba}}(gydF4y2Ba\mathit{tgydF4y2Ba}-\; -\; -\; -\; -\; -gydF4y2Ba\mathrm{5gydF4y2Ba})gydF4y2Ba$。gydF4y2Ba

L = linearRegressor(名字,{1,2 [5]});gydF4y2Ba

指定gydF4y2BaPgydF4y2Ba随着多项式回归量gydF4y2Ba ${{\mathit{ygydF4y2Ba}}_{\mathrm{1gydF4y2Ba}}(gydF4y2Ba\mathit{tgydF4y2Ba}-\; -\; -\; -\; -\; -gydF4y2Ba\mathrm{1gydF4y2Ba})gydF4y2Ba}^{\mathrm{2gydF4y2Ba}}$。gydF4y2Ba

P = polynomialRegressor(名称(1),1,2);gydF4y2Ba

指定gydF4y2BaCgydF4y2Ba作为定制的回归量gydF4y2Ba ${\mathit{ygydF4y2Ba}}_{\mathrm{1gydF4y2Ba}}(gydF4y2Ba\mathit{tgydF4y2Ba}-\; -\; -\; -\; -\; -gydF4y2Ba\mathrm{2gydF4y2Ba})gydF4y2Ba$ ${\mathit{ugydF4y2Ba}}_{\mathrm{1gydF4y2Ba}}(gydF4y2Ba\mathit{tgydF4y2Ba}-\; -\; -\; -\; -\; -gydF4y2Ba\mathrm{3gydF4y2Ba})gydF4y2Ba$。使用一个匿名函数处理来定义这个函数。gydF4y2Ba

C = customRegressor(名称、{2 3}@ x (x, y)。* y)gydF4y2Ba

C =定制的回归量:日元(2)。* u1(条t - 3) VariablesToRegressorFcn: @ x (x, y)。* y变量:{“日元”的u1}滞后:{[2][3]}矢量化:1 TimeVariable:“t”由这组解释变量描述gydF4y2Ba

结合解释变量的列向量gydF4y2BaRgydF4y2Ba。gydF4y2Ba

R = [L; P C]gydF4y2Ba

1 R =[3]数组linearRegressor, polynomialRegressor customRegressor对象。- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 1。线性解释变量y₁, u1变量:{“日元”的u1}滞后:{[1][2 - 5]}UseAbsolute: [0 0] TimeVariable:“t”- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 2。订单2解释变量y₁订单:2变量:{“日元”}滞后:{[1]}UseAbsolute: 0 AllowVariableMix: 0 AllowLagMix: 0 TimeVariable:“t”- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 3所示。定制的回归量:y1 (2)。* u1(条t - 3) VariablesToRegressorFcn: @ x (x, y)。* y变量:{“日元”的u1}滞后:{[2][3]}矢量化:1 TimeVariable:“t”由这组解释变量描述gydF4y2Ba

估计非线性ARX模型gydF4y2BaRgydF4y2Ba。gydF4y2Ba

sys = nlarx (z1, R)gydF4y2Ba

sys =非线性ARX模型与输入1输出和输入:u1输出:y1解释:1。线性解释变量y₁, u1 2。订单2解释变量y₁3。定制的回归量:y1 (2)。* u1(条t - 3)输出函数:小波网络1单位示例时间:0.1秒状态:估计使用NLARX时域数据“z1”。适合估算数据:59.73%(预测聚焦)消防工程:3.356,MSE: 3.147在模型的“报告”属性的更多信息。gydF4y2Ba

查看完整的回归量集。gydF4y2Ba

getreg(系统)gydF4y2Ba

ans =gydF4y2Ba5 x1细胞gydF4y2Ba{y1 (t - 1)的}{的u1(2)}{的u1 (t-5)} {y1 (t - 1) ^ 2的}{y1 (2)。* u1(条t - 3)}gydF4y2Ba

负荷估算数据。gydF4y2Ba

负载gydF4y2Baiddata1gydF4y2Ba;gydF4y2Ba

创建一个s形的网络映射对象与10个单位,没有线性项。gydF4y2Ba

SN = idSigmoidNetwork(10、假);gydF4y2Ba

估计非线性ARX模型。确认模型不使用线性函数。gydF4y2Ba

sys = nlarx (z1、(2 2 1)、锡);sys.OutputFcn.LinearFcn.UsegydF4y2Ba

ans =gydF4y2Ba逻辑gydF4y2Ba0gydF4y2Ba

负荷估算数据。gydF4y2Ba

负载gydF4y2BathrottledatagydF4y2Ba;gydF4y2Ba

去趋势数据。gydF4y2Ba

Tr = getTrend (ThrottleData);Tr.OutputOffset = 15;DetrendedData =去趋势(ThrottleData、Tr);gydF4y2Ba

估计线性ARX模型。gydF4y2Ba

LinearModel = arx (DetrendedData [2 1 1]);gydF4y2Ba

使用线性模型估计非线性ARX模型。模型的订单、延迟和线性参数gydF4y2BaNonlinearModelgydF4y2Ba来自gydF4y2BaLinearModelgydF4y2Ba。gydF4y2Ba

NonlinearModel = nlarx (ThrottleData LinearModel)gydF4y2Ba

NonlinearModel =非线性ARX模型与输入1输出和输入:步骤命令输出:节流阀位置解释变量:线性解释变量节流阀位置,命令输出函数步:小波网络与7单位样品时间:0.01秒状态:估计使用NLARX时域数据“ThrottleData”。适合估算数据:99.03%(预测聚焦)消防工程:0.1127,MSE: 0.1039在模型的“报告”属性的更多信息。gydF4y2Ba

负荷估算数据。gydF4y2Ba

负载gydF4y2Baiddata1gydF4y2Ba;gydF4y2Ba

创建一个gydF4y2BaidnlarxgydF4y2Ba模型。gydF4y2Ba

sys = idnlarx ([2 2 1]);gydF4y2Ba

配置模型使用点符号:gydF4y2Ba

sys。Nonlinearity =“idSigmoidNetwork”gydF4y2Ba;sys。的名字=gydF4y2Ba“模式1”gydF4y2Ba;gydF4y2Ba

估计的非线性ARX模型结构和属性中指定的gydF4y2BaidnlarxgydF4y2Ba对象。gydF4y2Ba

sys sys = nlarx (z1)gydF4y2Ba

sys =非线性ARX模型与输入1输出和输入:u1输出:y1解释变量:线性解释变量y₁, u1输出功能:乙状结肠网络与10单位名称:模型1样品时间:0.1秒状态:终止条件:最大迭代次数达到. .迭代次数:20、功能评估:353估计使用NLARX时域数据“z1”。适合估算数据:69.03%(预测聚焦)消防工程:2.918,MSE: 1.86在模型的“报告”属性的更多信息。gydF4y2Ba

如果一个估计停止在一个局部最小值时,可以扰乱模型使用gydF4y2Ba初始化gydF4y2Ba和重新评估模型。gydF4y2Ba

负荷估算数据。gydF4y2Ba

负载gydF4y2Baiddata1gydF4y2Ba;gydF4y2Ba

估计初始的非线性模型。gydF4y2Ba

sys1 = nlarx (z1 (4 2 1),gydF4y2Ba“idSigmoidNetwork”gydF4y2Ba);gydF4y2Ba

随机扰动模型参数,以避免局部最小值。gydF4y2Ba

sys2 = init (sys1);gydF4y2Ba

估计新的非线性模型摄动值。gydF4y2Ba

sys2 = nlarx (z1, sys1);gydF4y2Ba

负荷估算数据。gydF4y2Ba

负载gydF4y2BatwotankdatagydF4y2Ba;gydF4y2Ba

创建一个gydF4y2BaiddatagydF4y2Ba对象的评估数据。gydF4y2Ba

z = iddata (y、u, 0.2);gydF4y2Ba

创建一个gydF4y2BanlarxOptionsgydF4y2Ba选项设置指定模拟误差最小化的目标,最高10估计迭代。gydF4y2Ba

选择= nlarxOptions;opt.Focus =gydF4y2Ba“模拟”gydF4y2Ba;opt.SearchOptions。MaxIterations = 10;gydF4y2Ba

估计非线性ARX模型。gydF4y2Ba

sys = nlarx (z, (4 4 1) idSigmoidNetwork(3),选择)gydF4y2Ba

sys =非线性ARX模型与输入1输出和输入:u1输出:y1解释变量:线性解释变量y₁, u1输出功能:乙状结肠网络与3单位样品时间:0.2秒状态:终止条件:最大迭代次数达到. .迭代次数:10、功能评估:114年预估使用NLARX时域数据“z”。适合估算数据:85.86%(模拟聚焦)消防工程:3.791 e-05, MSE: 0.0006853在模型的“报告”属性的更多信息。gydF4y2Ba

加载正规化示例数据。gydF4y2Ba

负载gydF4y2BaregularizationExampleData.matgydF4y2BanldatagydF4y2Ba;gydF4y2Ba

创建一个gydF4y2BaidSigmoidnetworkgydF4y2Ba与30单位和指定模型映射对象的命令。gydF4y2Ba

莫= idSigmoidNetwork (30);订单= (1 2 1);gydF4y2Ba

创建一个估计选项设置和设置评估搜索方法gydF4y2BalmgydF4y2Ba。gydF4y2Ba

选择= nlarxOptions (gydF4y2Ba“SearchMethod”gydF4y2Ba,gydF4y2Ba“lm”gydF4y2Ba);gydF4y2Ba

估计一个unregularized模型。gydF4y2Ba

sys = nlarx (nldata、订单、钼,选择);gydF4y2Ba

配置正规化gydF4y2BaλgydF4y2Ba参数。gydF4y2Ba

opt.Regularization。λ= 1 e-8;gydF4y2Ba

估计一个正规化的模型。gydF4y2Ba

sysR = nlarx (nldata、订单、钼,选择);gydF4y2Ba

比较两个模型。gydF4y2Ba

比较(nldata sys sysR)gydF4y2Ba

大消极适应unregularized模型的结果表明适合的数据。估计一个正规化的模型产生一个更好的结果。gydF4y2Ba

负荷估算数据。gydF4y2Ba

负载gydF4y2BatwotankdatagydF4y2BaygydF4y2BaugydF4y2Ba

创建一个gydF4y2BaiddatagydF4y2Ba对象的数据。使用的第一个1000个样本估计剩下的样品进行验证。gydF4y2Ba

t = 0.2;z = iddata (y, u, Ts);泽= z (1:1000);zv z =(1001:结束);gydF4y2Ba

创建一个gydF4y2BanlarxOptionsgydF4y2Ba选项。指定一个模拟误差最小化的目标,gydF4y2Ba“lm”gydF4y2Ba最小二乘搜索,最多10估计迭代。在估计显示进展。gydF4y2Ba

选择= nlarxOptions (gydF4y2Ba“焦点”gydF4y2Ba,gydF4y2Ba“模拟”gydF4y2Ba,gydF4y2Ba“SearchMethod”gydF4y2Ba,gydF4y2Ba“lm”gydF4y2Ba,gydF4y2Ba“显示”gydF4y2Ba,gydF4y2Ba“上”gydF4y2Ba);opt.SearchOptions。MaxIterations = 10;gydF4y2Ba

估计一个非线性ARX模型,利用ARX模型指定解释变量和一个命令gydF4y2BaidSigmoidNetworkgydF4y2Ba映射函数。模型使用所有候选人的解释。要查看回归量使用信息,在MATLAB®命令提示符,输入gydF4y2Basys.RegressorUsagegydF4y2Ba。gydF4y2Ba

订单= [8 8 1];outputFcn = idSigmoidNetwork;sys = nlarx(泽、订单、outputFcn,选择);allRegressors = getreg(系统);gydF4y2Ba

Sparsify模型(减少使用的解释变量)使用gydF4y2Ba“σ”gydF4y2Ba衡量。gydF4y2Ba

opt.SearchOptions。MaxIterations = 20;opt.SparsifyRegressors = true;opt.SparsificationOptions。MaxIterations = 10;opt.SparsificationOptions。λ= 2;sysr1 = nlarx (sys周泽选择);T = sysr1.RegressorUsage;inUse =任何(T {:,:}, 2);流(gydF4y2Ba解释变量的使用:% s \ n”gydF4y2Ba其中,strjoin (allRegressors (inUse),gydF4y2Ba”、“gydF4y2Ba))gydF4y2Ba

解释变量的使用:日元(t - 1), y1 (t-5), u1 (2) u1(条t - 3), u1(第四节),u1 (t-7), u1 (t-8)gydF4y2Ba

Sparsify模型再次使用gydF4y2Ba“l1”gydF4y2Ba衡量。gydF4y2Ba

opt.SparsificationOptions。SparsityMeasure =gydF4y2Ba“l1”gydF4y2Ba;opt.SparsificationOptions。λ= 2.2;sysr2 = nlarx (sys周泽选择);T = sysr2.RegressorUsage;inUse =任何(T {:,:}, 2);流(gydF4y2Ba解释变量的使用:% s \ n”gydF4y2Ba其中,strjoin (allRegressors (inUse),gydF4y2Ba”、“gydF4y2Ba))gydF4y2Ba

解释变量的使用:日元(t - 1), y1 (t-5), u1 (2) u1(条t - 3), u1(第四节),u1 (t-6), u1 (t-7), u1 (t-8)gydF4y2Ba

Sparsify模型再次使用gydF4y2Ba“10”gydF4y2Ba衡量。gydF4y2Ba

opt.SparsificationOptions。SparsityMeasure =gydF4y2Ba“10”gydF4y2Ba;opt.SparsificationOptions。λ= 2.2;sysr3 = nlarx (sys周泽选择);T = sysr3.RegressorUsage;InUse =任何(T {:,:}, 2);流(gydF4y2Ba解释变量的使用:% s \ n”gydF4y2Ba其中,strjoin (allRegressors (inUse),gydF4y2Ba”、“gydF4y2Ba))gydF4y2Ba

解释变量的使用:日元(t - 1), y1 (t-5), u1 (2) u1(条t - 3), u1(第四节),u1 (t-6), u1 (t-7), u1 (t-8)gydF4y2Ba

比较完整的回归量模型和三个稀疏的回归量模型对验证数据。gydF4y2Ba

比较(sys, zv sysr1、sysr2 sysr3)gydF4y2Ba