SysIdentPy 使用教程

1. 项目介绍

SysIdentPy 是一个基于 NARMAX（非线性和自回归移动平均模型）的开源 Python 模块，用于系统识别和时间序列预测。该项目旨在提供一个易于使用且灵活的框架，帮助用户构建动态非线性模型，适用于时间序列和动态系统的分析。SysIdentPy 采用了先进的技术来选择模型结构和估计参数，并且支持使用神经网络进行建模。

2. 项目快速启动

在开始使用 SysIdentPy 之前，请确保您的环境中已安装以下依赖项：

• Python (>= 3.7)
• NumPy (>= 1.9.2)
• Matplotlib (>= 3.3.2)
• Pytorch (>=1.7.1) - 如果您打算使用神经网络
• Scipy (>= 1.7.0)

安装 SysIdentPy 最简单的方式是使用 pip：

pip install sysidentpy

以下是一个典型的 SysIdentPy 使用示例，用于构建一个多项式 NARX 模型：

from sysidentpy.model_structure_selection import FROLS
from sysidentpy.basis_function import Polynomial
from sysidentpy.parameter_estimation import LeastSquares
from sysidentpy.metrics import root_relative_squared_error
from sysidentpy.utils import get_siso_data

# 生成模拟动态系统数据
x_train, x_valid, y_train, y_valid = get_siso_data(n=1000, colored_noise=False, sigma=0.001, train_percentage=80)

# 设置模型结构和参数
basis_function = Polynomial(degree=2)
estimator = LeastSquares()
model = FROLS(order_selection=True, n_info_values=3, ylag=2, xlag=2, info_criteria="aic", estimator=estimator, err_tol=None, basis_function=basis_function)

# 拟合模型
model.fit(X=x_train, y=y_train)

# 进行预测
yhat = model.predict(X=x_valid, y=y_valid)

# 计算误差
rrse = root_relative_squared_error(y_valid, yhat)
print(rrse)

3. 应用案例和最佳实践

SysIdentPy 提供了多种模型结构和参数估计方法。以下是一些应用案例和最佳实践：

• 模型结构选择：使用 FROLS (Forward Regression Orthogonal Least Squares) 或 MetaMSS (Meta Model Selection and State Space) 方法选择最佳模型结构。
• 参数估计：使用递归方法、自适应滤波器等多种技术来估计模型参数。
• 模型仿真：通过 SimulateNARMAX 类轻松模拟和测试已发布的模型。

更多案例和详细说明可以在 SysIdentPy 的官方文档和教程中找到。

4. 典型生态项目

SysIdentPy 作为一个系统识别和时间序列分析的库，可以与以下项目配合使用：

• Pandas：数据处理和清洗。
• Scikit-learn：使用其提供的估计器和模型选择工具。
• Pytorch：构建和训练神经网络模型。

SysIdentPy 社区欢迎所有经验水平的新贡献者，共同维护和改进这个项目。更多信息和资源请访问 SysIdentPy 官方网站。