搜索资源列表
simultaneity
- 同时辨识模型阶次及参数算法。用阶次递推算法，结合AIC法——利用赤池信息准则辨识上例的模型阶次和参数。-At the same time identify model order and parameters algorithm. By order recursive algorithm, combined with AIC method- the use of Akaike information criterion to ident
fpe
- This function calculates Akaike s final prediction error ％ estimate of the average generalization error. ％ ％ [FPE,deff,varest,H] = fpe(NetDef,W1,W2,PHI,Y,trparms) produces the ％ final prediction error estimate (
nnfpe
- This function calculates Akaike s final prediction error ％ estimate of the average generalization error for network ％ models generated by NNARX, NNOE, NNARMAX1+2, or their recursive ％ counterparts. ％ ％ [FPE,de
tuoluo_piaoyi_feipingwenshijian
- 将非平稳时间序列的状态空间建模方法用于陀螺过渡过程的分析.基于平滑先验约束的概念，使用卡尔曼滤波和赤池的AIC方法拟合全局模型，得到陀螺漂移模型的若干数值结果并用于陀螺系统分析.由于观测序列的趋势项、不规则分量可同时建模，因此比分别建模在统计上更加准确有效.-Will be non-stationary time series state space modeling method for the analysis of the tra
jieci
- 算例及matlab程序 一、 利用行列式比估计模型的阶次 二、 利用残差的方差估计模型的阶次三、 利用Akaike准则估计模型的阶次四、 利用最终预报误差准则估计模型的阶次 五、 根据Hankel矩阵的秩估计模型的阶次 附录1 利用行列式比估计模型的阶次 附录2 利用残差的方差估计模型的阶次 附录3 利用Akaike准则估计模型的阶次 附录4 利用最终预报误差准则估计模型的阶次 附录5 利用H
Ayou
- Akaike阶次辨识在有色噪声的情况下通过计算AIC的值得到最终的结果。-Akaike order identification in the case of colored noise by calculating the AIC' s worth to the final result.
Akaike
- Akaike阶次辨识在白噪声的情况下通过计算AIC的值得到最终的结果。-Akaike order identification in the case of white noise by calculating the AIC' s worth to the final result.
akaike
- RATS 信息准则，计量经济学中用于确定最优参数个数的关键准则-Akake information criterion
AIC
- 赤池准则 可以实现噪声检测 P波震相捡拾 S波震相捡拾等地震学基本操作等-Akaike criterion can achieve noise detection P-wave seismic phase picking S phases pick up basic operations such as seismology, etc.
sinorder
- 为sinudoidal模型的AIC阶估计.AIC信息准则即Akaike information criterion，是衡量统计模型拟合优良性的一种标准，又由于它为日本统计学家赤池弘次创立和发展的，因此又称赤池信息量准则。它建立在熵的概念基础上，可以权衡所估计模型的复杂度和此模型拟合数据的优良性。 在一般的情况下，AIC可以表示为： AIC=2k-2ln(L) 其中：k是参数的数量，L是似然函数。 假设条件是模型的误差服从独立正态
order-and-parameters
- 同时辨识模型阶次及参数算法。用阶次递推算法，结合AIC法——利用赤池信息准则辨识上例的模型阶次和参数。-请键入文字或网站地址，或者上传文档。 取消 Tóngshí biànshì móxíng jiē cì jí cānshù suànfǎ. Yòng jiē cì dì tuīsuàn fǎ, jiéhé AIC fǎ——lìyòng chìchí xìnxī zhǔnzé biànshì shàng lì de móxíng
AIC-modelisation
- The Akaike information criterion (AIC) is a measure of the relative quality of a statistical model for a given set of data. That is, given a collection of models for the data, AIC estimates the quality of each model, rel
AIC_MDL
- AIC & MDL The Akaike information criterion (AIC) is a measure of the relative quality of statistical models for a given set of data. Given a collection of models for the data, AIC estimates the quality of each model, r
stepwise
- 逐步回归的基本思想是将变量逐个引入模型，每引入一个解释变量后都要进行F检验，并对已经选入的解释变量逐个进行t检验，当原来引入的解释变量由于后面解释变量的引入变得不再显著时，则将其删除。以确保每次引入新的变量之前回归方程中只包含显著性变量。这是一个反复的过程，直到既没有显著的解释变量选入回归方程，也没有不显著的解释变量从回归方程中剔除为止。以保证最后所得到的解释变量集是最优的。(In statistics, stepwise regres