Оцените параметры одно входа, модели Box-Jenkins одно вывода от результатов измерений.

load iddata1 z1;
nb = 2;
nc = 2;
nd = 2;
nf = 2;
nk = 1;
sys = bj(z1,[nb nc nd nf nk]);

sys является моделью idpoly дискретного времени с предполагаемыми коэффициентами. Порядок sys как описан nb, nc, nd, nf и nk.

Используйте getpvec, чтобы получить предполагаемые параметры и getcov, чтобы получить ковариацию, сопоставленную с предполагаемыми параметрами.

Оцените параметры мультивхода, модели Box-Jenkins одно вывода от результатов измерений.

load iddata8
nb = [2 1 1];
nc = 1;
nd = 1;
nf = [2 1 2];
nk = [5 10 15];
sys = bj(z8,[nb nc nd nf nk]);

sys оценивает параметры модели с тремя входными параметрами и одним выводом. Каждым из входных параметров сопоставили задержку с ним.

Оцените упорядоченную модель BJ путем преобразования упорядоченной модели ARX.

Загрузка данных.

load regularizationExampleData.mat m0simdata;

Оцените неупорядоченную модель BJ порядка 30.

m1 = bj(m0simdata(1:150),[15 15 15 15 1]);

Оцените упорядоченную модель BJ путем определения значения Lambda методом проб и ошибок.

opt = bjOptions;
opt.Regularization.Lambda = 1;
m2 = bj(m0simdata(1:150),[15 15 15 15 1],opt);

Получите модель BJ более низкоуровневую путем преобразования упорядоченной модели ARX, сопровождаемой сокращением порядка.

opt1 = arxOptions;
[L,R] = arxRegul(m0simdata(1:150),[30 30 1]);
opt1.Regularization.Lambda = L;
opt1.Regularization.R = R;
m0 = arx(m0simdata(1:150),[30 30 1],opt1);
mr = idpoly(balred(idss(m0),7));

Сравните образцовые выходные параметры с данными.

opt2 = compareOptions('InitialCondition','z');
compare(m0simdata(150:end),m1,m2,mr,opt2);

Оцените параметры одно входа, модели Box-Jenkins одно вывода при конфигурировании некоторых опций оценки.

Сгенерируйте данные об оценке.

B = [0 1 0.5];
C = [1 -1 0.2];
D = [1 1.5 0.7];
F = [1 -1.5 0.7];
sys0 = idpoly(1,B,C,D,F,0.1);
e = iddata([],randn(200,1));
u = iddata([],idinput(200)); 
y = sim(sys0,[u e]);
data = [y u];

data является одно входом, набор одно выходных данных, созданный путем симуляции известной модели.

Оцените первоначальную модель Box-Jenkins.

nb = 2;
nc = 2;
nd = 2;
nf = 2;
nk = 1;
init_sys = bj(data,[2 2 2 2 1]);

Создайте набор опции оценки, чтобы совершенствовать параметры предполагаемой модели.

opt = bjOptions;
opt.Display = 'on';
opt.SearchOptions.MaxIterations = 50;

opt является набором опции оценки, который конфигурирует оценку, чтобы выполнить итерации 50 раз самое большее и отобразить прогресс оценки.

Повторно оцените параметры модели с помощью набора опции оценки.

sys = bj(data,init_sys,opt);

sys оценивается с помощью init_sys для начальной параметризации для полиномиальных коэффициентов.

Чтобы просмотреть результат оценки, введите sys.Report.

Оцените мультивход, модель мультивывода Box-Jenkins от оценочных данных.

Загрузите результаты измерений.

load iddata1 z1
load iddata2 z2
data = [z1 z2(1:300)];

data содержит результаты измерений для двух входных параметров и двух выходных параметров.

Оцените модель.

 nb = [2 2; 3 4];  
 nc = [2;2]; 
 nd = [2;2]; 
 nf = [1 0; 2 2];
 nk = [1 1; 0 0];
 sys = bj(data,[nb nc nd nf nk]);

Полиномиальные коэффициенты порядка содержат одну строку для каждого вывода.

sys является моделью idpoly дискретного времени с двумя входными параметрами и двумя выходными параметрами.