Регресионен модел: Разлика между версии

<ref name=Garipov_II>Емил Гарипов, (2004) ''Част II. Идентификация чрез дискретни стохастични регресионни модели.'' ТУ - София, ISBN 954-438-392-1</ref>.

 

 

По-долу индексът на текущото наблюдение е означен с <math>k</math>. Ако данните са функция на времето, то

употребата на горното представяне е прието <math>e_k</math> да участва адитивно в описанието.

 

 

В много случаи с подходящи трансформации на факторите и/или на изхода

под „линеен“ се разбира модел, изходът на който е линейна функция на параметрите, докато в

<ref name=Garipov_I>Емил Гарипов, (2004) ''Идентификация системи Част I. Въведение.'' ТУ - София, ISBN 954-438-391-3</ref>, <ref name=Vuchkov>Иван Вучков, (1996) ''Идентификация.'' ИК Юрапел, София</ref> и др., ако моделът е линеен, то изходът му зависи линейно от входа. По тази причина, ако изходът на модел е линеен по параметри, в статията това изрично се указва.

 

По-долу се използват съкращенията:

* MISO (Multiple Input Single Output) - за модел с много входове и един изход (многомерен модел)

* SISO (Single Input Single Output) - за модел с един вход и един изход (едномерен модел)

 

В едномерния случай линейният по параметри (SISO) модел може да се

Възможни структури на матриците и векторите в общите записи, както и предимствата и недостатъците на представянията са разгледани подробно в <ref name=Efremov>Александър Ефремов, (2013) ''Идентификация на многомерни системи'', DAR-RH, ISBN 978-954-9489-34-7</ref>.

 

 

Когато моделът е с един изход, регресорите и параметрите е удобно да се

</math>

При наличие на повече входове, двата вектора се разширяват с необходимия брой параметри и регресори.

 

==Вижте още==