H.Ə. Məmmədov, Q.Ə. Rüstəmov R. Q. Rüstəmov
Функции кластерного анализа
Download 6.8 Mb. Pdf ko'rish
|
|
Функции кластерного анализа
cluster - Деление иерархического дерева кластеров (группировка выходных данных функции linkage) на отдельные кластеры
clusterdata - Группировка матрицы исходных данных в кластеры
cophenet - Расчет коэффициента качества разбиения исходных данных на кластеры (этот коэффициент можно рассматривать как аналог коэффициента корреляции, чем его значение ближе к 1, тем лучше выполнено разбиение на кластеры)
связи в иерархическом дереве кластеров и может использоваться как оценка качества разбиения на кластеры
- Кластеризация на основе внутригрупповых средних
linkage - Формирование иерархического дерева бинарных кластеров
pdist - Расчет парных расстояний между объектами (векторами) в 417
исходном множестве данных
pdist в симметричную квадратную матрицу
factoran - Факторный анализ
- Функция служит для реализации метода главных компонент по заданной в качестве входного параметра матрице ковариаций
pcares - Функция служит для определения остатка после удаления заданного количества главных компонент
princomp - Функция служит для реализации метода главных компонент по заданной в качестве входного параметра матрице исходных значений
barttest - Тест Бартлета
строками двух матриц, являющихся входными параметрами.
прямое соответствие одно множество точек другому
treedisp - Отображает граф возможных решений
treefit - Построение графа возможных решений на основе исходных данных 418
treeprune - Исключение незначимых решений в графе возможных решений
- Оценка погрешности узлов графа возможных решений
treeval - Оценка параметров регрессионной модели с использованием графа возможных решений Статистическая проверка гипотез
ranksum - Ранговый тест Вилкоксона для проверки однородности двух генеральных совокупностей
signrank - Знаковый тест Вилкоксона для проверки гипотезы о равенстве медиан двух выборок
- Знаковый тест для проверки гипотезы о равенстве медиан двух выборок
ttest - t-test для одной выборки. Проверка гипотезы о равенстве (или неравенстве) математического ожидания выборки заданному значению при условии, что величина дисперсии неизвестна. Закон распределения выборки нормальный.
ttest2 - t-test для двух выборок. Проверка гипотезы о равенстве (или неравенстве) математических ожиданий двух выборок при условии, что величины дисперсий выборок неизвестны и равны. Закон распределения выборки нормальный.
ztest - Z-тест. Проверка гипотезы о равенстве (или неравенстве) математического ожидания выборки заданному значению при условии, что известна величина дисперсии. Закон распределения выборки нормальный.
jbtest - Тест на соответствие выборки нормальному 419
распределению с неопределенными параметрами нормального распределения. Этот тест является асимптотическим и не может быть использован на малых выборках. Для проверки гипотезы о соответствии выборки нормальному распределению на малых выборках необходимо использовать функцию lillietest.
- Тест Колмогорова-Смирнова на соответствие выборки заданному распределению
- Тест Колмогорова-Смирнова на соответствие
распределений двух выборок
lillietest - Тест на соответствие выборки нормального распределения рассчитываются исходя из значений элементов в выборке. Проверка непараметрических гипотез
friedman - Тест Фридмана (непараметрический двухфакторный дисперсионный анализ Фридмана)
однофакторный дисперсионный анализ)
ksdensity - Подгонка функции плотности вероятности по
ranksum - Ранговый тест Вилкоксона для проверки однородности двух генеральных совокупностей
равенстве медиан двух выборок
signtest - Знаковый тест для проверки гипотезы о равенстве медиан двух выборок Запись и чтение данных из файлов
caseread - Функция для чтения данных из текстового файла. Возвращает матрицу символов из текстового файла
420
файл
файла
tblwrite - Функция для записи табличных данных из текстового файла
знаком табуляции в строке из текстового файла Таблица демонстрационных примеров
aoctool - Интерактивное средство ковариационного анализа
disttool - Интерактивное средство для исследования функций распределения случайных величин
псевдослучайных чисел
polytool - Интерактивное определение параметров полиномиальной модели
- Интерактивное моделирование химическое реакции и нелинейный регрессионный анализ
МНК и робастной регрессии Таблица
вспомогательных функций
выбрать k объектов из n
grp2idx - Преобразование группирующей переменной в индексы массива
Приводит значения по колонкам матрицы к нормальным с 0 421
математическим ожиданием и единичной дисперсией. Файлы статистических данных
census.mat;
cities.mat;
discrim.mat;
gas.mat;
hald.mat;
hogg.mat;
lawdata.mat;
mileage.mat;
moore.mat;
parts.mat;
popcorn.mat;
polydata.mat;
reaction.mat;
sat.dat. Əlavə 3
- ün davamı
System
Identification Toolbox
предоставляет функции
MATLAB , блоки Simulink и интерактивные инструменты для создания и использования моделей динамических систем. Можно использовать данные входа, выхода во временной и частотной области для идентификации непрерывных и дискретных передаточных функции, моделей
процессов и моделей в пространстве состояний. При помощи System Identification Toolbox можно использовать следующие методы
идентификации: -максимального правдоподобия, -минимизации ошибки прогноза (PEM - prediction-error minimization), -системной идентификации подмножества и -другие методы идентификации. Для нелинейной системной динамики можно оценивать модели Хаммерстайна-Винера (Hammerstein-Weiner) и нелинейные модели ARX (AutoRegresive model with eXternal input (АвтоРегрессионная модель с внешним входом)) с вейвлетной сетью, модели с древовидным разделением и модели с нелинейной сигмоидальной сетью. При помощи System Identification Toolbox можно выполнять идентификацию системы как чёрного ящика для оценки параметров определенной пользователем модели.
Можно использовать идентифицированную модель для предсказания отклика системы и для симуляции в Simulink. 422
System Identification Toolbox также позволяет пользователю моделировать данные временной последовательности и выполнять прогнозирование временной последовательности.
их разбивают на группы: ● статические объекты; ● динамические объекты; ● линейные объекты; ● нелинейные объекты; ● непрерывные объекты; ● дискретные объекты; ● стационарные объекты; ● нестационарные объекты; ● объекты с сосредоточенными параметрами; ● объекты с распределенными параметрами и т.д.
Ключевые особенности
Возможность идентификации передаточных функций, моделей процессов и моделей в пространстве состояний по данным отклика в частотной и временной области
Возможность использования для оценки авторегрессионной модели (ARX, ARMAX), модели Box-Jenkins (Бокса-Дженкинса) и Output-Error (Выход-ошибка) модели с использованием техник идентификации типов: максимальная вероятность, минимизация 423
предсказанной ошибки (PEM - prediction-error minimization), подпространственная система
Моделирование временной последовательности (AR, ARMA, ARIMA) и прогнозирование
нелинейных ARX
моделей и моделей Хаммерстайна-Винера с нелинейностями на входе и выходе, такими как насыщенность и мёртвая зона
ящиков для оценки моделей, заданных пользователем
Оценка задержек, удаление тренда, фильтрация, повторная дискретизация и восстановление недостающих данных
Simulink Идентификация моделей по данным
System Identification Toolbox позволяет пользователю создавать модели по измеренным данным на входе и выходе. С его помощью можно:
анализировать и обрабатывать данные;
определять подходящую структуру, порядок модели и выполнять оценку параметров модели;
Можно использовать идентифицированные линейные модели для анализа и проектирования системы управления при помощи Control System Toolbox . Можно добавлять опознанные модели в Simulink с использованием блоков, предоставляемых комплектом инструментов. Можно также использовать идентифицированные модели для предсказания. Əlavə 3 -
2.Список функций пакета «System Identification Toolbox» System Identification Toolbox™ Function Reference
424
Preparing Data- Construct data objects and input signals, filter, resample, detrend, transform, identify delay and feedback, and get and set data properties Identifying Linear Models- Estimate nonparametric models using
correlation and spectral analysis, compute impulse and step response, and estimate empirical transfer functions, estimate discrete- and continuous- time linear polynomial transfer functions and state-space models from time- and frequency-domain data, and select model structure and order based on loss function, AIC, and MDL criteria
box nonlinear models, including nonlinear ARX and Hammerstein-Wiener models
Estimate linear and nonlinear grey-box models, set initial parameters and initial state values, and randomize initial parameter values Recursive Techniques for Identifying Linear Models- Recursively estimate input-output linear models, such as AR, ARX, ARMAX, Box- Jenkins, and Output-Error models Validating and Analyzing Models- Validate and analyze models by comparing model output, plotting models with confidence regions, computing standard deviation and prediction errors, computing loss function, getting advice on estimated models, and extracting numerical information from linear models
output, compute prediction errors, and generate input data Using Models with Other Products- Reduce model order, convert between System Identification Toolbox™ and LTI objects, and perform linear analysis using LTI Viewer Customizing and Using GUI- Start System Identification Toolbox™ GUI and set preferences
advice- Analysis and recommendations for data or estimated linear polynomial and state-space models covf- Estimate covariance functions for time-domain iddata object delayest Estimate time delay (dead time) from data detrend- Subtract trend from time-domain, frequency-domain, or time- series data signal
425
fft-Transform iddata object to frequency domain fselect-Frequencies from idfrd object get-Query properties of data and model objects getexp-Specific experiment(s) from multiple-experiment iddata object iddata-Class for storing time-domain and frequency-domain data idfilt- Filter data using user-defined passbands, general filters, or Butterworth filters idfrd- Class for storing frequency-response or spectral-analysis data or frequency-response models idinput-Generate input signals idresamp-Resample time-domain data by decimation or interpolation ifft-Transform iddata objects from frequency to time domain isreal-Determine whether model parameters or data values are real merge (iddata)- Merge data sets into one iddata object misdata-Reconstruct missing input and output data nkshift-Shift data sequences pexcit-Level of excitation of input signals plot- Plot iddata or model objects realdata-Determine whether iddata is based on real-valued signals resample-Resample time-domain data by decimation or interpolation (requires Signal Processing Toolbox™ software) set-Set properties of data and model objects size- Dimensions of iddata, idmodel, and idfrd objects timestamp- Return date and time when object was created or last modified Identifying Linear Models ar- Estimate parameters of AR model for scalar time series returning idpoly object
Estimate parameters of ARMAX or ARMA model returning idpoly object
returning idpoly or idarx object arxdata- ARX parameters from multiple-output idarx or single- output idpoly objects with variance information
Compute and compare loss functions for single-output ARX models
Estimate parameters of Box-Jenkins model returning idpoly object c2d- Convert model from continuous to discrete time cra- Estimate impulse response using prewhitened-based correlation analysis d2c- Convert model from discrete to continuous time 426
delayest- Estimate time delay (dead time) from data etfe- Estimate empirical transfer functions and periodograms returning idfrd object feedback- Identify possible feedback in iddata data freqresp- Frequency-response data from idmodel or idfrd object get- Query properties of data and model objects Download 6.8 Mb. Do'stlaringiz bilan baham: 
|