概览
SysIdentPy 是一个 Python 系统辨识工具包，可根据时间序列数据构建非线性动态模型。其核心框架是 NARMAX，包含 NARX、NAR、NFIR、ARX 和 ARMA 等变体。它提供的是建模工作流，而非预训练预测器：用户可针对自己的数据选择滞后设置、基函数、模型选择方法和估计器。该软件包基于 NumPy 构建，声明的依赖项还包括 SciPy 和 Matplotlib。
所提供的示例将训练输入和输出数组传入模型拟合，再使用验证数组生成预测。一个多项式 NARX 示例结合了 FROLS 结构选择和最小二乘估计，并报告所选回归项、估计参数和误差降低比。其他演示路径则在 NARX 配置中使用自定义 PyTorch 神经网络或 CatBoost 估计器。预测图、相对平方误差平方根以及残差相关性工具可用于评估拟合模型。
除拟合外，SysIdentPy 还提供 SimulateNARMAX，用于研究指定模型，并支持利用仿射信息进行多目标参数估计。这些功能使其适用于评估动态过程模型和非线性预测方法，但所提供的示例并未证明它适用于任何特定化学过程或实际部署。数组 API 分发明确属于实验性功能，且需选择启用：非 NumPy 后端的一步预测可以保持在原生后端执行，而顺序预测目前会先回退到 CPU 上的 NumPy，再将结果转换回来。神经网络路径需要 PyTorch，而软件包元数据将其列为可选依赖项。
主要功能
- 构建 NARMAX 系列模型，包括 NARX、NAR、NARMA、NFIR、ARMA 和 ARX，并支持配置输入和输出滞后。
- 使用 FROLS、MetaMSS、AOLS、UOFR、Entropic Regression 和 Orthogonal Floating Search 等方法选择模型项。
- 提供线性和非线性基函数、超过 15 种参数估计方法，以及利用仿射信息进行的多目标估计。
- 支持自定义 PyTorch 神经 NARX 架构和兼容的外部估计器，并提供 CatBoost NARX 示例。
- 提供 SimulateNARMAX、预测指标、模型项显示、预测图和残差相关性工具。
- 为受支持的选择算法、仿真、指标、实用工具以及 Polynomial、Fourier 和 Bilinear 基函数提供实验性的数组 API 分发，并记录了顺序预测回退行为。
使用场景
- 评估用途：对记录的过程测量数据拟合非线性输入–输出模型，并评估其预测和残差相关性，再考虑将其用于过程控制。
- 评估用途：在相同的训练和验证时间序列上比较多项式 NARX、神经 NARX 和基于外部估计器的 NARX 方法。
- 评估用途：使用 SimulateNARMAX 研究已发表的 NARMAX 模型，并比较不同的参数估计方法。
使用方式
阅读安装指南，并查看所提供的软件包元数据，了解 Python 和依赖项要求。评估神经 NARX 时，请包含 PyTorch；外部估计器示例可能需要其他软件包。
按照快速入门指南了解输入和输出数组、滞后设置以及训练/验证工作流。在将其用于过程测量数据之前，先从所提供的模拟数据示例入手。
使用仓库示例选择建模路径。多项式示例结合了 FROLS、Polynomial 和 LeastSquares；其他示例则展示了 NARXNN 和基于 CatBoost 的 NARX。
使用训练数据拟合模型，并在验证数据上进行预测。查看可用的所选项和参数，然后使用文档所述的工具评估预测图、相对平方误差平方根和残差相关性。
如果要评估其他数组后端，请先参阅数组 API 分发指南。区分原生后端执行的一步预测与使用文档所述 NumPy/CPU 回退的顺序预测。