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
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
線形予測フィルター係数 - MATLAB lpc - MathWorks 日本
[a,g] = lpc(x,p) では、過去のサンプルに基づいて実数値時系列 x の現在値を予測する、p 次の線形予測子 (FIR フィルター) の係数が求められます。この関数はさらに、予測誤差の分散 g を返します。x が行列の場合、この関数は各列を独立チャネルとして扱います。
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
