一般化線形モデルによるデータの近似 - MATLAB & Simulink Example - MathWorks 日本
この例では、glmfit と glmval を使用して、一般化線形モデルの当てはめと評価を行う方法を示します。通常の線形回帰を使用すると、直線、またはパラメーターにおいて線形である任意の関数を、正規分布した誤差を伴うデータに当てはめることができます。これは最もよく使用されている回帰モデルですが、必ずしも現実的なモデルであるとは限りません。一般化線形モデルは、線形モデルを 2 つの方法で拡張したものです。第 1 に、リンク関数を導入することで、パラメーターにおける線形性の仮定が緩和されます。第 2 に、正規分布以外の誤差分布をモデル化できます。 一般化線形モデル回帰モデルは、応答変数 (一般に y で示される) の分布を、1 つ以上の予測子変数 (一般に x1、x2 などで示される) を使用して定義します。最もよく使用されている回帰モデルである通常の線形回帰は、正規確率変数として y をモデ
自己相関列からの反射係数の計算 - MATLAB schurrc - MathWorks 日本
説明k = schurrc(r) では、Schur アルゴリズムを使用して、自己相関列を表すベクトル r から反射係数ベクトル k が計算されます。k と r は同じサイズです。反射係数は、与えられた自己相関列 r を使用した信号に対する予測フィルターの、ラティス フィルター パラメーターを表します。r が行列の場合、関数 schurrc では r の各列が独立した自己相関列として扱われ、r と同じサイズの行列k が返されます。k の各列は、対応する自己相関列 r を使用して変動過程を予測するための、ラティス予測フィルターの反射係数を表します。 [k,e] = schurrc(r) では、予測誤差分散を表すスカラー e も計算されます。r が行列の場合、e は行ベクトルになります。e の行数は、r の列数と同じです。
線形予測と自己回帰モデリング - MATLAB & Simulink Example - MathWorks 日本
この例は、自己回帰モデリングと線形予測の関係を比較する方法を示します。線形予測と自己回帰モデリングという 2 つの問題は、同じ数値結果を得ることが可能です。両方の問題の最終的な目的は、線形フィルターのパラメーターを確定することです。しかし、それぞれの問題で使われるフィルターは異なります。 はじめに線形予測の目的は、過去のサンプルの線形結合に基づいて、自己回帰過程の今後のサンプルを的確に予測できる FIR フィルターを決定することです。実際の自己回帰信号と予測信号の差は、予測誤差と呼ばれます。理想的には、この誤差がホワイト ノイズです。 自己回帰モデリングの目的は、ホワイト ノイズによって励起されたとき、モデル化する自己回帰過程と同じ統計値をもつ信号を生成する全極 IIR フィルターを決定することです。 入力がホワイト ノイズである全極フィルターを使用した AR 信号の生成LPC 関数と F
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
