Matlab_R模型阶数确定.doc

自回归（AR）模型 理论模型 自回归（AutoRegressive, AR）模型又称为时间序列模型，数学表达式为 其中，e(t)为均值为0，方差为某值的白噪声信号。 Matlab Toolbox 研究表明，采用Yule-Walker方法可得到优化的AR模型[1]，故采用aryule程序估计模型参数。 [m,refl] = ar(y,n,approach,window) 模型阶数的确定 有几种方法来确定。如Shin提出基于SVD的方法，而AIC和FPE方法是目前应用最广泛的方法。若计算出的AIC较小，例如小于-20，则该误差可能对应于损失函数的10-10级别，则这时阶次可以看成是系统合适的阶次。 am = aic(model1,model2,...) fp = fpe(Model1,Model2,Model3,...) AR预测 yp = predict(m,y,k) 表示预测模型；为实际输出；预测区间；yp为预测输出。 当kInf时，yp(t)为模型m与y(1,2,…t-k)的预测值；当k=Inf时，yp(t)为模型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，原因参照AR模型理论公式。 compare(y,m,k) [yh,fit,x0] = compare(y,m,k) Compare的预测原理与predict相同，但其对预测进行了比较。 AR误差 e = pe(m,data) pe误差计算。采用yh=predict(m,data,1)进行预测，然后计算误差e=data-yh; [e,r]= resid(m,data,mode,lags); resid(r) resid计算并检验误差。采用pe计算误差；在无输出的情况下，绘出误差图，误差曲线应足够小，黄色区域为99%的置信区间，误差曲线在该区域内表明通过检验。 Matlab练习 确定模型阶数 采用ASCE benchmark模型120DOF，选取y方向的响应，共8个。首先，对响应数据进行标准化处理；其次，将标准化处理后的数据建立AR模型；最后，确定合适的模型阶次，通过选取一系列阶数，分别计算对应的AIC值，从图中可以看出，阶次80以后的AIC值变化不大，因此，合适的阶次选择为80。 AR模型预测 AR误差计算 附录MATLAB 代码 （1） % AR model order clc;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]; for i = 1:length(order) for j =1:size(x,2) m = ar(x(:,j),order(i),yw); am(i,j) = aic(m); end end plot(order,am,LineWidth,2,Marker,*) xlabel(AR order),ylabel(AIC) legend(sensor 2,sensor 4,sensor 6,sensor 8,... sensor 10,sensor 12,sensor 14,sensor 16) （2） clc;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]; order = 80; ts = zscore(data.acc(:,dofy)); k = 1; name = {sensor 2,sensor 4,sensor 6,sensor 8,... sensor 10,sensor 12,sensor 14,sensor 16}; Ounit = repmat({m/s^2},length(dofy),1); ts = iddata(zscore(data.acc(:,dofy)),[],data.dt,... OutputName,name,OutputUnit,Ounit,... Name,ASCE-benchmark 120DOF); m = ar(ts(:,k),order,yw); compare(ts(:,k),m,r-.,1,1000:1300); （3） resid(m,ts(:,k),corr,25)