Идентифицируйте линейную модель и визуализируйте моделируемый образцовый ответ с данными, от которых он был сгенерирован.

Загрузите измерения ввода/вывода z1 и идентифицируйте модель в пространстве состояний третьего порядка sys.

load iddata1 z1;
sys = ssest(z1,3);

sys является непрерывно-разовой идентифицированной моделью (idss) пространства состояний.

Используйте compare, чтобы моделировать ответ sys и построить его вместе с данными z1.

figure
compare(z1,sys)

График иллюстрирует различия между образцовым ответом и исходными данными. Процент, показанный в легенде, является значением фитнеса NRMSE. Это представляет, как близко предсказанный образцовый вывод к данным.

Чтобы изменить параметры экрана в графике, щелкните правой кнопкой по графику получить доступ к контекстному меню. Например:

Идентифицируйте линейную модель и визуализируйте предсказанный образцовый ответ с данными, из которых он был вычислен.

Идентифицируйте модель в пространстве состояний третьего порядка с помощью измерений ввода/вывода в z1.

load iddata1 z1;
sys = ssest(z1,3);

sys является непрерывно-разовой идентифицированной моделью (idss) пространства состояний.

Теперь используйте compare, чтобы построить предсказанный ответ. Прогноз отличается от симуляции, в которой он использует и измеренный вход и измеренный вывод при вычислении отклика системы. Горизонт прогноза задает как далеко в будущем, чтобы предсказать относительно вашей текущей измеренной выходной точки. В данном примере установите горизонт прогноза kstep на 10 шагов и используйте compare, чтобы построить предсказанный ответ против исходных данных об измерении.

kstep = 10;
compare(z1,sys,kstep)

В этом графике каждая точка данных sys представляет предсказанный вывод, сопоставленный с выходными данными об измерении, которые были сделаны по крайней мере 10 шагов ранее. Например, точка в t = 15 основана на выходных измерениях, проведенных в или до t = 5 с. Вычисление этого t = 15, точка данных sys также использует входные измерения до t = 15, так же, как симуляция, было бы.

График иллюстрирует различия между образцовым ответом и исходными данными. Процент, показанный в легенде, является значением фитнеса NRMSE. Это представляет, как тесно предсказанная модель выводила соответствия данные.

Чтобы изменить отображение и опции симуляции в графике, щелкните правой кнопкой по графику получить доступ к контекстному меню. Например, чтобы построить ошибку между предсказанным выводом и измеренным выводом, выберите Error Plot из контекстного меню. Чтобы изменить значение горизонта прогноза или переключиться между симуляцией и прогнозом, выбирают Prediction Horizon из контекстного меню.

Идентифицируйте несколько типов модели для тех же данных и сравните результаты видеть который лучшие подгонки данные.

Загрузите данные, которые содержат объект iddata z1 с одним вводом и выводом.

load iddata1;

От z1 идентифицируйте модель для каждой из следующих линейных форм:

sys_armax = armax(z1,[2 3 1 0]);
sys_ss = ssest(z1,3);
sys_tf = tfest(z1,3);

Используя compare, постройте моделируемые ответы для этих трех моделей с z1.

compare(z1,sys_armax,sys_ss,sys_tf)

Для этого набора данных, наряду с настройками по умолчанию для всех моделей, форма передаточной функции имеет лучшую подгонку NRMSE. Однако подгонки всех моделей приблизительно в 1% друг из друга.

Можно в интерактивном режиме управлять, по которому образцовые ответы отображены в графике путем щелчка правой кнопкой по графику и наведения на Системы.

Сравните выходные параметры нескольких предполагаемых моделей отличающихся типов к измеренным данным частотного диапазона.

В данном примере оцените модель процесса и полином ошибки на выходе от данных о частотной характеристике.

load demofr  % frequency response data
zfr = AMP.*exp(1i*PHA*pi/180);  
Ts = 0.1;
data = idfrd(zfr,W,Ts);  
sys1 = procest(data,'P2UDZ'); 
sys2 = oe(data,[2 2 1]);

sys1, модель idproc, является непрерывно-разовой моделью процесса. sys2, модель idpoly, является моделью ошибки на выходе дискретного времени.

Сравните частотную характеристику предполагаемых моделей к данным.

compare(data,sys1,'g',sys2,'r');

Эти две модели имеют значения подгонки NRMSE, которые почти равны относительно данных, от которых они были вычислены.

Измените поведение по умолчанию, когда вы сравните предполагаемую модель с результатами измерений.

Оцените передаточную функцию для результатов измерений.

load iddata1 z1;
sys = tfest(z1,3);

sys является непрерывно-разовой идентифицированной моделью (idtf) передаточной функции.

Предположим, что вы хотите, чтобы ваши начальные условия были нулем. Значение по умолчанию для compare должно оценить начальные условия от данных.

Создайте набор опции, чтобы задать начальную обработку условия. Чтобы использовать нуль для начальных условий, задайте 'z' для опции 'InitialCondition'.

opt = compareOptions('InitialCondition','z');

Сравните предполагаемую модель передаточной функции вывод с результатами измерений с помощью набора опции сравнения.

compare(z1,sys,opt)