《MatlabAR模型[共7页]》由会员共享,可在线阅读。 更多相关《MatlabAR模型[共7页](7页珍藏版)》请在人人文库网上搜索。
1、自回归(AR )模型理论模型自回归(AutoRegressive,AR )模型也称为时间序列模型,其中,e ) t )是白噪声信号,均值为0,具有方差。 对Matlab Toolbox的研究表明,采用Yule-Walker方法可以得到最优的AR模型1,因此采用aryule程序估计模型参数。 确定m,refl=ar(y,n,approach,window )模型阶数有几种方法。 例如Shin提出了基于SVD的方法,而AIC和FPE方法是目前应用最广泛的方法。 如果计算的AIC小(例如小于-20 ),那么该误差可对应于损耗函数的10-10级,在这种情况下阶数可视为系统的适当阶数。 am=AIC (模式)。
2、el1,model2, ) FP=fpe(model1,model2,Model3, ) AR预测yp=predict(m,y,k )表示预测模型; 实际输出; 预测区间; yp是预测输出。 对于kInf,yp(t )是模型m和y ) 1、2、t-k )的预测值; 对于k=Inf,yp(t )是模型m的纯仿真值; 默认情况下,k=1。 在计算AR模型预测时,k应取1,原因参考AR模型的理论公式。 Compare(y,m,k ) yh,fit,x0=compare ) y,m,k ) compare的预测原理与predict相同,但对预测进行了比较。 AR误差e=pe(m,data ) PE误差计算。 采用yh=predict (。
3、m、data,1 )进行预测,计算误差e=data-yh; e,r=resid(m,data,mode,lags ); resid(r ) resid计算并验证误差。 在没有输出使用pe计算误差的情况下,误差曲线必须足够小,黄色区域为99%置信区间,误差曲线表明在该区域内通过了检验。 在Matlab练习中,决定模型阶数采用ASCE benchmark模型120DOF,并选择8个y方向的响应。 首先,对响应数据进行标准化处理,然后对标准化处理后的数据进行AR建模,最后,确定适当的模型阶数,选择一系列阶数,计算各自对应的AIC值。 从图中可以看出,由于次数80以后的AIC值很少变化,所以选择适当的次数。
四,是八十。 AR模型预测AR误差计算附录MATLAB代码(1) % AR model orderclc; clear addpath(genpath ) pwd ),1 ); data=load (case2damage0_1_ 0.01 _ 0.001 _ 40 _ 10 _ 150 _ 123 _1. mat ); dofy=2、4、6、8、10、12、14、16; x=zscore(data.ACC ) :dofy ); order=10:10:130; forI=1:length(order(i ) for j=1:size(x ) x,2 ) m=ar ) x ) :j ),order ) I ),yw ); am(I,j )=aic(m ) m; 结束。
5、endplot(order,am,LineWidth,2,Marker,* ) xlabel ) arorder ),ylabel ) aic ) legend ) sensor2,sensor 4,sensor 4 data=load (case2damage0_1_ 0.01 _ 0.001 _ 40 _ 10 _ 150 _ 123 _1. mat ); dofy=2; 4; 6; 8; 10; 12; 14; 16; 订单=80; ts=zs core (数据)。
6、 ACC(:dofy ); k=1; name=sensor 2、sensor 4、sensor 6、sensor 8、 sensor 10、sensor 12、sensor 14、sensor 16; ounit=repmat(m/S2,length ) ) dofy ),1 ); ts=id data (zs core (data.ACC (:dofy )、data.dt、 OutputName、name、Ounit、 name、asce-bebee 计算机(ts (3360,k ),m,r-,1,100033601300 ); )3) resid(m,ts(:k ),corr,25 ) e,r=resid ) m,ts ) :k ),corr,40 ); resid(r ) plot(e ) 1000:1300 )参考文献Matlab help 1DA SILVA S,DIAS J NIOR M, lopesjuniorv.damagedetectioninabenchmarkstructureusingar-arxmodelsandstatisticalpatternrecognitionj.jbrazsocmechscieng