Modèle ARX (ang. AutoRegressive avec entrée exogène – modèle autoregresywny z zewnętrznym wejściem) – dyskretny modèle wejściowo-wyjściowy dla procesów stochastycznych. Modèle dix jest wyrażony wzorem: les entrées à F sont des régressors de modèle. Lorsque vous spécifiez la structure de modèle ARX non linéaire, vous pouvez choisir l`une des plusieurs fonctions non linéaires disponibles. Par exemple, F peut représenter une somme pondérée de longueurs d`onde qui opèrent sur la distance des régressors à partir de leurs moyens. Pour plus d`informations, consultez estimateurs de non-linéarité disponibles pour les modèles ARX non linéaires. La signification de Na, NB et NK est similaire à celle des paramètres linéaires du modèle ARX. Les commandes sont spécifiées en tant que scalaires pour les données SISO, et en tant que matrices NY-by-nu pour les données MIMO, où NY et nu sont le nombre de sorties et d`entrées. Si vous n`êtes pas sûr des valeurs à utiliser pour les commandes et les retards, vous pouvez les estimer comme décrit dans étape préliminaire – estimation des ordres de modèle et des retards d`entrée. Une telle estimation est basée sur des modèles linéaires ARX et ne fournit que des conseils initiaux. Les meilleures commandes pour un modèle ARX linéaire ne sont peut-être pas les meilleures commandes pour un modèle ARX non linéaire. AR | de l`ARMAX | arxOptions | arxRegul | les arxstruc | BJ | impulseest | IV4 | n4sid | le nlarx | OE sans régularisation, le vecteur de paramètres du modèle ARX θ est estimé en résolvant l`équation normale: dans le cas de sortie multiple, arx minimise la trace de la matrice de covariance d`erreur de prédiction, ou la norme strukturę modelu arx określa kasztelan parametrów: ` Auto` — Choisissez automatiquement entre`zéro`et`estimation`en fonction des données.
où y (t − 1), y (t − 2),…, y (t − na), u (t), u (t − 1),…, u (t − NB − 1) sont des variables d`entrée et de sortie retardées, appelées régressors. Le vecteur de coefficients [– a1,…, BNB] représente la pondération appliquée à ces régressors. Le modèle linéaire ARX prédit donc la sortie actuelle YP comme une somme pondérée de ses régressors. [Na NB NK] définissent les ordres polynomiaux d`un modèle ARX. Spécifiez les données sous la forme d`un objet iddata, d`un objet FRD ou d`un objet idfrd Frequency-Response-Data. Les spécificités des risques de divulgation à partir desquels un jeu de données doit être protégé peuvent être spécifiées en classant les attributs du jeu de données en entrée dans différents types: lorsque la matrice de régression est supérieure à la MaxSize spécifiée dans arxOptions, les données sont segmentées et la factorisation QR est effectuée de manière itérative sur ces segments de données. Pour les données de domaine de fréquence, il peut être nécessaire d`ajuster les données par des conditions initiales qui prennent en charge la convolution circulaire. Dans ce modèle, la protection de la vie privée n`est pas considérée comme une propriété d`un DataSet, mais une propriété d`une méthode de traitement des données. Officieusement, il garantit que la probabilité d`une sortie éventuelle du processus d`anonymisation ne change pas «par beaucoup» si les données d`une personne sont ajoutées ou supprimées des données d`entrée. Par conséquent, il devient très difficile pour les attaquants de dériver des informations sur des individus spécifiques et les jeux de données sont protégés contre l`appartenance, l`identité et la divulgation des attributs. La confidentialité différentielle ne fait pas encore de fortes hypothèses sur la connaissance de fond des attaquants, par exemple, sur quels attributs pourraient être utilisés pour la liaison.
Au lieu de cela, tous les attributs doivent être définis pour être quasi-identificatoires. Vous trouverez plus d`informations ici. YP (t) = [− a1, − a2,…, − Ana, B1, B2,.., BNB] ∗ [y (t − 1), y (t − 2),…, y (t − na), u (t), u (t − 1),…, u (t − NB − 1)] T pour les modèles avec entrées multiples et sorties multiples, Na, NB et NK contiennent une rangée pour chaque signal de sortie.