UNIVERSITE MOHAMMED V DE RABAT

L´ECOLE NORMALE SUPERIEURE DE L'ENSEIGNEMENT TECHNIQUE

DEPARTEMENT GENIE ELECTRIQUE

Application des Modèles ARX, ARMAX, OE

et BJ sur un BENCHMARK

2ème année Master Génie Electrique

Réalisé par : CHENIAR Amal Encadré par : M.NAITALI

Année universitaire 2019-2020

 Université Mohammed V de Rabat
Ecole Normale Supérieure de l’Enseignement Technique
Master-GE2

Application des Modèles ARX, ARMAX, OE et BJ sur un

BENCHMARK
Abstract:
Systems identification, or the search for models from experimental data, refers to a
scientific approach aimed at determining mathematical models capable of reproducing as
closely as possible the behavior of a system. It is based on systems theory and uses
different tools from applied mathematics, statistical signal processing, information theory
and physics.

I. Introduction :
 Sortie de Benchmark
L'identification est l'opération de détermination du
modèle dynamique d'un système à partir des mesures
entrées/sorties. La connaissance du modèle dynamique
est nécessaire pour la conception et la mise en œuvre
d'un système performant de régulation. Pratiquement,
l'identification a généralement pour but la
détermination de modèle de conduite, utilisables pour
simuler, commander ou régler un processus. Ce L’identification va se faire sur ces données :
modèle peut être physique (au sens de simulateur
analogique ou numérique et de modèle réduit), ou bien
un modèle abstrait (système d’équations algébriques
ou différentielles). Pour être aisément utilisables, les
modèles choisis sont dans la mesure de possible assez
simples. Les imperfections de modélisations et
d'identification seront généralement absorbées par la
boucle de régulation. Dans le présent travail, on se
propose d’identifier les paramètres d’un modèle
linéaire dite Best linear Approximation(BLA) qui
approxime au mieux le modèle de comportement d’un
système non linéaire de type Wiener-Hammerstein. Linéarité du système:
Les histogrammes de l’entrée ainsi que de la sortie de Z
Présentation de Modèle Benchmark : sont illustrés dans les figures suivantes :

Le Benchmark est une démarche de comparaison Entrée : On saisit la commande hist(Z,u)

utilisée essentiellement pour évaluer les performances
des systèmes, elle permet également de qualifier les
systèmes, d’en préciser leurs avantages et leurs
faiblesses.
Dans le présent rapport, nous allons faire une
comparaison entre quatre modèles d’estimation à
savoir OE, ARX, ARMAX et BJ et cela en choisissant
les meilleurs paramètres pour chaque modèle et
l’appliquer sur les données du Benchmark Wiener. Sortie : On saisit la commande hist(Z,y)
 Entrée de Benchmark

[2]
- Commentaire :
Les données d’entrées sont similaires aux celles de
sortie, ce qui justifie le linéarité du système.  Le modèle ARX:
 Plage d’estimation:
Identification par les modèles ARX,OE,ARMAX
et BJ:
a. Le FIT:
 Le modèle OE:
 Plage d’estimation:

- Commentaire :

D’après le graphe et le tableau on Remarque que le modèle

estimé qui correspond au meilleur fit 76..39% est celle de
l’ordre 10.
- Commentaire :
D’après le graphe et le tableau on Remarque que le  Plage de test:
modèle estimé qui correspond au meilleur fit 76.77%
est celle de l’ordre 5.

 Plage de test:

- Commentaire :

On Remarque que les résultats du test conferment le choix

de modèle estimé.
- Commentaire :

On Remarque que les résultats du test conferment le

choix de modèle estimé.
[3]
  Le modèle ARMAX:  Plage d’estimation:
 Plage d’estimation:

- Commentaire : - Commentaire :

D’après le graphe et le tableau on constate que notre D’après le graphe et le tableau on constate qu’à partir de
modèle est fiable pour un ordre de 6 avec un fit 82.13. l’ordre 7 le fit deviant variable donc le fit optimal est
correspond au 82.11%.
 Plage de test:  Plage de test:

- Commentaire : - Commentaire :

On remarque que ces résultats montrent que not On remarque que ces résultats montrent que nos modèles
modèles estimés sont valables . estimés sont valables .

 Le modèle BJ: Conclusion: D’après la comparaison entre les différents

modèle on trouve que le meilleur modèle est ARMAX
[4]
d’ordre 6 avec un fit de 82.16%.
 Modèle ARMAX:
b. La valeur moyenne (mean) :

 Modèle OE:
Commentaire :

- D’après le graphe, on Remarque que le modèle

BJ (n=7)et ARMAX (n=6) ont une valeur
moyenne nulle.

- Le modelé le plus mieux ARMAX car Le model

moins complexe.

c. Le STD:

 Modèle BJ:

- Commentaire :

- D’après le graphe, On remarque que les modèles

de l’ordre 4 a 10 est précis, mais le plus mieux
c’est le modèle OE à l’ordre 4.
Ordre OE AEMAX BJ ARX
d. Erreur de quadrature 2 0.00047075 0.00039436 0.00042244 0.0013364
 Modèle ARX: 4 0.00041196 0.00018008 0.00044858 0.00063045
6 0.00034466 0.00031214 7.5976 e-05 0.00015315
10 9.2579 e- 0.00035458 0.00062125 0.0001893
0.5

- Commentaire :

D’après le tableau, On remarque que l’erreur le plus

faible est l’erreur le modèle ARMAX.

[5]
  Le modèle OE:
e. Comparaison des modèles par AKAIKE
(aic): Ordre mean Rms Std
1 0.035 0.180 0.17
Le principe de cette approche est : 2 0.036 0.087 0.08
Le modèle est MIEUX si la valeur d’akaike est 3 0.036 0.056 0.043
Faible. 4 0.036 0.055 0.042
5 0.036 0.055 0.042
Le modèle La valeur d’akaike 6 0.034 0.12 0.11
OE -5.4867 7 0.0361 0.055 0.042
ARX -14.078 8 0.0361 0.055 0.042
ARMAX -14.322 9 0.0361 0.055 0.042
BJ -14.345 10 0.034 0.19 0.18

- Commentaire :
On remarque que la valeur d’akaike la plus faible est  Le modèle ARX:
celle de modèle BJ.
Ordre Rms Mean Std
1 0.23 0.037 0.23
f. Les performances des modèles utilisés :
2 0.18 0.037 0.17
Pour déterminer les différentes erreurs on saisit le 3 0.07 0.035 0.06
programme . 4 0.065 0.036 0.05
VOIR ANNEXE 2 5 0.056 0.036 0.043
6 0.055 0.036 0.042
On récapitule tous les résultats obtenus dans les 7 0.042 0.00004 0.042
tableaux suivants: 8 0.047 0.01 0.045
9 0.042 0.000016 0.042
 Le modèle ARX: 10 0.044 -0.00050 0.044

Ordre mean Rms std - Commentaire :

1 0.0384 0.231 0.230
2 0.0392 0.201 0.201 D’après la comparaison de différents tableaux on trouve
3 0.0341 0.100 0.100 que le modèle ARMAX est le plus consistan et precise
4 0.0353 0.071 0.060
5 0.036 0.057 0.040 Conclusion :
6 0.036 0.056 0.04
7 0.0361 0.056 0.043 Cette travail nous a permis d’avoir une idée générale sur le
8 0.0361 0.056 0.043 domaine de l’identification qu’est très large et qui subit
9 0.0361 0.056 0.043 beaucoup d’évolution.
10 0.036 0.057 0.042 Concernant notre cas qui étudié le comportement d’un
système non linéaire de type Wiener-Hammerstien on a
 Le modèle ARMAX: découvert plusieurs astuces qui sera bénéfiques pour la
suite de nos études.
Ordre mean Rms Std
1 0.037 0.231 0.231
2 0.039 0.201 0.201
3 0.035 0.100 0.100
4 0.036 0.06 0.05
5 0.035 0.056 0.043
6 0.00026 0.042 0.042
7 0.036 0.055 0.042
8 0.036 0.055 0.043
9 -0.000013 0.042 0.042
10 0.036 0.056 0.048

[6]
[7]
 ANNEXES

Annexe 1 : Programme Principal

close all;
clear all;
load Wiener.mat;
fs=51200;
Ts=1/fs;
pas = (1./47000);
x=0:pas:4-pas;
x=x';
figure(1),plot (x,uBenchMark,'k');title(['uBenchMark'])
figure(2),plot (x,yBenchMark,'k');title(['yBenchMark'])
Z=iddata(yBenchMark,uBenchMark,Ts,'Name','W-H Benchmark data');
figure(3),plot(Z,'k');
Z1=Z(1:100000);
Z2=Z(100001:188000);
plot(Z1,'k',Z2,'c');
figure(4),hist(Z.u,30,'k');title(['histogramme Z.u'])
figure(5),hist(Z.y,30,'k');title(['histogramme Z.y'])
tei=1001; tef=100000; % temps d 'estimation initial et final
Ze=Z(tei:tef);% donée estimation
tti=101001;ttf=188000; % temps de test initial et final
Zt=Z(tti:ttf); % donnée test
nmax=10;
OE=1;
ARX=2;
ARMAX=3;
BJ=4;
nk=1;
Error=zeros(99000,10,4);
for n = 1:nmax
figure(10+n);
na =n;
nb=n;
nc=n;
nd=n;

for k = 1:4

switch k
case OE
R{n,k}.m = oe(Ze,[na,nb,nk]);
[De,fit]=compare(Ze,R{n,k}.m);
R{n,k}.yse=De.y;
R{n,k}.fit=fit;
R{n,k}.error=(R{n,k}.yse-Ze.y);
R{n,k}.mean=mean(R{n,k}.error);
R{n,k}.rms=rms(R{n,k}.error);
R{n,k}.std=std(R{n,k}.error);
Fit(n,k)=fit ;
Mean(n,k)=R{n,k}.mean;
Rms(n,k)=R{n,k}.rms;
Std(n,k)=R{n,k}.std;
Error(:,n,k)=R{n,k}.error;
%subplot(2,2,k);
%plot(Error(:,n,k));
%title(['Error = ','\color{black}',num2str(n),'\color{black} OE']);
 case ARX
R{n,k}.m = arx(Ze,[na,nb,nk]);
[De,fit]=compare(Ze,R{n,k}.m);
R{n,k}.yse=De.y;
R{n,k}.fit=fit;
R{n,k}.error=(R{n,k}.yse-Ze.y);
R{n,k}.mean=mean(R{n,k}.error);
R{n,k}.rms=rms(R{n,k}.error);
R{n,k}.std=std(R{n,k}.error);
Fit(n,k)=fit;
Mean(n,k)=R{n,k}.mean;
Rms(n,k)=R{n,k}.rms;
Std(n,k)=R{n,k}.std;
Error(:,n,k)=R{n,k}.error;
% subplot(2,2,k);
% plot(Error(:,n,k));
%title(['Error = ','\color{black}',num2str(n),'\color{black} ARX']);

case ARMAX
R{n,k}.m = armax(Ze,[na,nb,nc,nk]);
[De,fit]=compare(Ze,R{n,k}.m);
R{n,k}.yse=De.y;
R{n,k}.fit=fit;
R{n,k}.error=(R{n,k}.yse-Ze.y);
R{n,k}.mean=mean(R{n,k}.error);
R{n,k}.rms=rms(R{n,k}.error);
R{n,k}.std=std(R{n,k}.error);
Fit(n,k)=fit;
Mean(n,k)=R{n,k}.mean;
Rms(n,k)=R{n,k}.rms;
Std(n,k)=R{n,k}.std;
Error(:,n,k)=R{n,k}.error;
% subplot(2,2,k);
% plot(Error(:,n,k));
% title(['Error = ','\color{black}',num2str(n),'\color{black} ARMAX']);

case BJ
R{n,k}.m = bj(Ze,[na,nb,nc,nd,nk]);
[De,fit]=compare(Ze,R{n,k}.m);
R{n,k}.yse=De.y;
R{n,k}.fit=fit;
R{n,k}.error=(R{n,k}.yse-Ze.y);
R{n,k}.mean=mean(R{n,k}.error);
R{n,k}.rms=rms(R{n,k}.error);
R{n,k}.std=std(R{n,k}.error);
Fit(n,k)=fit ;
Mean(n,k)=R{n,k}.mean;
Rms(n,k)=R{n,k}.rms;
Std(n,k)=R{n,k}.std;
Error(:,n,k)=R{n,k}.error;
% subplot(2,2,k);
%plot(Error(:,n,k));
% title(['Error = ','\color{black}',num2str(n),'\color{black} BJ']);

end

end
end

9
mark={'*','x','o','+'}

figure(20)
plot(Error(:,n,k));
title(['Error,OE']);

figure(21)
plot(Error(:,n,k));
title(['Error,ARX ']);

figure(22)
plot(Error(:,n,k));
title(['Error,ARMAX ']);

figure(23)
plot(Error(:,n,k));
title(['Error,BJ ']);

figure(6);
hold on;
for k = 1:4
plot(Fit(:,k),mark{k})
end
legend('oe','arx','armax','bj')
title('FIT')
hold off;

mark={'*','x','o','+'}
figure(7)
hold on;
for k = 1:4
plot (Mean(:,k),mark{k})
end
legend('oe','arx','armax','bj')
title('valeur moyenne')
hold off;

figure(8);
hold on;
for k = 1:4
plot (Rms(:,k),mark{k})
end
legend('oe','arx','armax','bj')
title('Root Mean sqware')
hold off;

figure(9)
hold on;
for k = 1:4
plot (Std(:,k),mark{k})
end
legend('oe','arx','armax','bj')
title('valeur Std')
hold off

10
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% modèle OE
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
display('model OE')
M=oe(Ze,[na,nb,1]);
[A,B,C,D,F]=polydata(M);
ye=lsim(M,Ze.u);
yt=lsim(M,Zt.u);
[Zce fit]=compare(Ze,M);
figure(11),plot(Zce)
hold on;
plot([Ze.y Zce.y])

estimerror=Ze.y-Zce.y;
figure(12);plot([Ze.y estimerror])
yeff=rms(Ze.y);
display('donnee de estimation OE')
mean(estimerror/yeff)
rms(estimerror/yeff)
std(estimerror/yeff)

[zct fit]=compare(Zt,M);
figure(13),plot(zct)
hold on;
plot([Zt.y])
testerror=(Zt.y - zct.y);
ytff=rms(Zt.y);
display('donnee de test OE')
mean(testerror/ytff)
rms(testerror/ytff)
std(testerror/ytff)

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% modèle ARX
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

display('model ARX')
MM=arx(Ze,[na,nb,1]);
[A,B,C,D,F]=polydata(MM);
ye=lsim(MM,Ze.u);
yt=lsim(MM,Zt.u);
[Zce fit]=compare(Ze,MM);
figure(8),plot(Zce)
hold on;
plot([Ze.y])
estimerror=Ze.y-Zce.y;
figure(14);plot([Ze.y estimerror])
yeff=rms(Ze.y);
display('donnee de estimation arx')
mean(estimerror/yeff)
rms(estimerror/yeff)
std(estimerror/yeff)

[zct fit]=compare(Zt,MM);
testerror=Zt.y - zct.y;
ytff=rms(Zt.y);
display('donnee de test arx')
mean(testerror/ytff)
rms(testerror/ytff)
std(testerror/ytff)

11
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% modèle ARMAX
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
display('model ARmaX')
MMM=armax(Ze,[na,nb,nc,1]);
[A,B,C,D,F]=polydata(MMM);
ye=lsim(MMM,Ze.u);
yt=lsim(MMM,Zt.u);
[Zce fit]=compare(Ze,MMM);
figure(10),plot(Zce)
hold on;
plot([Ze.y])
estimerror=Ze.y-Zce.y;
figure(15);plot([Ze.y estimerror])
yeff=rms(Ze.y);
display('donnee de estimation armax')
mean(estimerror/yeff)
rms(estimerror/yeff)
std(estimerror/yeff)

[zct fit]=compare(Zt,MMM);
testerror=Zt.y - zct.y;
ytff=rms(Zt.y);
display('donnee de test armax')
mean(testerror/ytff)
rms(testerror/ytff)
std(testerror/ytff)

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% modèle BJ
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

display('model BJ')
MMMM=bj(Ze,[na,nb,nc,nd,1]);
[A,B,C,D,F]=polydata(MMMM);
ye=lsim(MMMM,Ze.u);
yt=lsim(MMMM,Zt.u);
[Zce fit]=compare(Ze,MMMM);
figure(10),plot(Zce)
hold on;
plot([Ze.y])
estimerror=Ze.y-Zce.y;
figure(17);plot([Ze.y estimerror])
yeff=rms(Ze.y);
display('donnee de estimation bj')
mean(estimerror/yeff)
rms(estimerror/yeff)
std(estimerror/yeff)

[zct fit]=compare(Zt,MMMM);
testerror=Zt.y - zct.y;
ytff=rms(Zt.y);
display('donnee de test bj')
mean(testerror/ytff)
rms(testerror/ytff)
std(testerror/ytff)

12
Annexe 2 : différentes erreurs

arx_m1 =arx(Z_estimation,[1 1 1]);

arx_m2 =arx(Z_estimation,[2 2 1]);
arx_m3 =arx(Z_estimation,[3 3 1]);
arx_m4=arx(Z_estimation,[4 4 1]);
arx_m5=arx(Z_estimation,[5 5 1]);
arx_m6=arx(Z_estimation,[6 6 1]);
arx_m7=arx(Z_estimation,[7 7 1]);
arx_m8=arx(Z_estimation,[8 8 1]);
arx_m9=arx(Z_estimation,[9 9 1]);
arx_m10=arx(Z_estimation,[10 10 1]);
figure(4),compare(Z_estimation,arx_m1,'b' ,
arx_m2,'b',arx_m3,'b',arx_m4,'b',arx_m5,'b',arx_m6,'b',arx_m7,'b',arx_m8,'b
',arx_m9,'b' ,arx_m10,'b');
arx_m1=arx(Z_test,[1 1 1]);
arx_m2=arx(Z_test,[2 2 1]);
arx_m3=arx(Z_test,[3 3 1]);
arx_m4=arx(Z_test,[4 4 1]);
arx_m5=arx(Z_test,[5 5 1]);
arx_m6=arx(Z_test,[6 6 1]);
arx_m7=arx(Z_test,[7 7 1]);
arx_m8=arx(Z_test,[8 8 1]);
arx_m9=arx(Z_test,[9 9 1]);
arx_m10=arx(Z_test,[10 10 1]);
figure(5),compare(Z_test,arx_m1,'b' ,
arx_m2,'b',arx_m3,'b',arx_m4,'b',arx_m5,'b',arx_m6,'b',arx_m7,'b',arx_m8,'b
',arx_m9,'b' ,arx_m10,'b');
oe_m1=oe(Z_estimation,[1 1 1]);
oe_m2=oe(Z_estimation,[2 2 1]);
oe_m3=oe(Z_estimation,[3 3 1]);
oe_m4=oe(Z_estimation,[4 4 1]);
oe_m5=oe(Z_estimation,[5 5 1]);
oe_m6=oe(Z_estimation,[6 6 1]);
oe_m7=oe(Z_estimation,[7 7 1]);
oe_m8=oe(Z_estimation,[8 8 1]);
oe_m9=oe(Z_estimation,[9 9 1]);
oe_m10=oe(Z_estimation,[10 10 1]);
figure(6),compare(Z_estimation,oe_m1,'b' ,
oe_m2,'b',oe_m3,'b',oe_m4,'b',oe_m5,'b',oe_m6,'b',oe_m7,'b',oe_m8,'b',oe_m9
,'b' ,oe_m10,'b');
oe_m1=oe(Z_test,[1 1 1]);
oe_m2=oe(Z_test,[2 2 1]);
oe_m3=oe(Z_test,[3 3 1]);
oe_m4=oe(Z_test,[4 4 1]);
oe_m5=oe(Z_test,[5 5 1]);
oe_m6=oe(Z_test,[6 6 1]);
oe_m7=oe(Z_test,[7 7 1]);
oe_m8=oe(Z_test,[8 8 1]);
oe_m9=oe(Z_test,[9 9 1]);
oe_m10=oe(Z_test,[10 10 1]);
figure(7),compare(Z_test,oe_m1,'b' ,
oe_m2,'b',oe_m3,'b',oe_m4,'b',oe_m5,'b',oe_m6,'b',oe_m7,'b',oe_m8,'b',oe_m9
,'b' ,oe_m10,'b');
armax_m1 =armax(Z_estimation,[1 1 1 1]);
armax_m2 =armax(Z_estimation,[2 2 2 1]);
armax_m3 =armax(Z_estimation,[3 3 3 1]);
armax_m4=armax(Z_estimation,[4 4 4 1]);
armax_m5=armax(Z_estimation,[5 5 5 1]);

13
armax_m6=armax(Z_estimation,[6 6 6 1]);
armax_m7=armax(Z_estimation,[7 7 7 1]);
armax_m8=armax(Z_estimation,[8 8 8 1]);
armax_m9=armax(Z_estimation,[9 9 9 1]);
armax_m10=armax(Z_estimation,[10 10 10 1]);
figure(4),compare(Z_estimation,armax_m1,'b' ,
armax_m2,'b',armax_m3,'b',armax_m4,'b',armax_m5,'b',armax_m6,'b',armax_m7,'
b',armax_m8,'b',armax_m9,'b' ,armax_m10,'b');
armax_m1=armax(Z_test,[1 1 1 1]);
armax_m2=armax(Z_test,[2 2 2 1]);
armax_m3=armax(Z_test,[3 3 3 1]);
armax_m4=armax(Z_test,[4 4 4 1]);
armax_m5=armax(Z_test,[5 5 5 1]);
armax_m6=armax(Z_test,[6 6 6 1]);
armax_m7=armax(Z_test,[7 7 7 1]);
armax_m8=armax(Z_test,[8 8 8 1]);
armax_m9=armax(Z_test,[9 9 9 1]);
armax_m10=armax(Z_test,[10 10 10 1]);
figure(5),compare(Z_test, armax_m1,'b' ,
armax_m2,'b',armax_m3,'b',armax_m4,'b',armax_m5,'b',armax_m6,'b',armax_m7,'
b',armax_m8,'b',armax_m9,'b' ,armax_m10,'b');
bj_m1=bj(Z_estimation,[1 1 1 1 1]);
bj_m2=bj(Z_estimation,[2 2 2 2 1]);
bj_m3=bj(Z_estimation,[3 3 3 3 1]);
bj_m4=bj(Z_estimation,[4 4 4 4 1]);
bj_m5=bj(Z_estimation,[5 5 5 5 1]);
bj_m6=bj(Z_estimation,[6 6 6 6 1]);
bj_m7=bj(Z_estimation,[7 7 7 7 1]);
bj_m8=bj(Z_estimation,[8 8 8 8 1]);
bj_m9=bj(Z_estimation,[9 9 9 9 1]);
bj_m10=bj(Z_estimation,[10 10 10 10 1]);
figure(6),compare(Z_estimation,bj_m1,'b' ,
bj_m2,'b',bj_m3,'b',bj_m4,'b',bj_m5,'b',bj_m6,'b',bj_m7,'b',bj_m8,'b',bj_m9
,'b' ,bj_m10,'b');
bj_m1=bj(Z_test,[1 1 1 1 1]);
bj_m2=bj(Z_test,[2 2 2 2 1]);
bj_m3=bj(Z_test,[3 3 3 3 1]);
bj_m4=bj(Z_test,[4 4 4 4 1]);
bj_m5=bj(Z_test,[5 5 5 5 1]);
bj_m6=bj(Z_test,[6 6 6 6 1]);
bj_m7=bj(Z_test,[7 7 7 7 1]);
bj_m8=bj(Z_test,[8 8 8 8 1]);
bj_m9=bj(Z_test,[9 9 9 9 1]);
bj_m10=bj(Z_test,[10 10 10 10 1]);
figure(7),compare(Z_test,bj_m1,'b' ,
oe_m2,'b',oe_m3,'b',oe_m4,'b',oe_m5,'b',oe_m6,'b',oe_m7,'b',oe_m8,'b',oe_m9
,'b' ,oe_m10,'b');

14