findstatesOptions

Опция установлена для findstates

Синтаксис

opt = findstatesOptions
opt = findstatesOptions(Name,Value)

Описание

пример

opt = findstatesOptions создает набор опции по умолчанию для findstates. Используйте запись через точку, чтобы настроить набор опции в случае необходимости.

пример

opt = findstatesOptions(Name,Value) создает набор опции с опциями, заданными одним или несколькими аргументами пары Name,Value. Опции, которые вы не задаете, сохраняют свое значение по умолчанию.

Примеры

свернуть все

Создайте набор опции для findstates путем конфигурирования объекта спецификации для начальных состояний.

Идентифицируйте модель в пространстве состояний четвертого порядка от данных.

load iddata8 z8;
sys = ssest(z8,4);

z8 является объектом iddata, содержащим данные об отклике системы временного интервала. sys является четвертым порядком модель idss, которая идентифицирована от данных.

Сконфигурируйте объект спецификации для начальных состояний модели.

x0obj = idpar([1;nan(3,1)]);
x0obj.Free(1) = false;
x0obj.Minimum(2) = 0;
x0obj.Maximum(2) = 1;

x0obj задает ограничения оценки на начальные условия. Значение первого состояния задано как 1, когда x0obj создается. x0obj.Free(1) = false задает первое начальное состояние как фиксированный параметр оценки. Второе состояние неизвестно. Но, x0obj.Minimum(2) = 0 и x0obj.Maximum(2) = 1 задают нижние и верхние границы второго состояния как 0 и 1, соответственно.

Создайте набор опции для findstates, чтобы идентифицировать начальные состояния модели.

opt = findstatesOptions;
opt.InitialState = x0obj;

Идентифицируйте начальные состояния модели.

x0_estimated = findstates(sys,z8,Inf,opt);

Создайте набор опции для findstates где:

  • Начальные состояния оцениваются таким образом, что норма ошибки прогноза минимизирована. Начальные значения состояний, соответствующих ненулевым задержкам, также оцениваются.

  • Адаптивный поиск Ньютона Гаусса подпространства используется для оценки.

opt = findstatesOptions('InitialState','d','SearchMethod','gna');

Входные параметры

свернуть все

Аргументы в виде пар имя-значение

Укажите необязательные аргументы в виде пар ""имя, значение"", разделенных запятыми. Имя (Name) — это имя аргумента, а значение (Value) — соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

Пример: findstatesOptions('InitialState','d')

Оценка начальных состояний, заданных как пара, разделенная запятой, состоящая из 'InitialState' и одно из следующего:

  • E Начальные состояния оцениваются таким образом, что норма ошибки прогноза минимизирована.

    Для нелинейных моделей серого поля только те начальные состояния оценивается i, которые определяются как свободные в модели (sys.InitialStates(i).Fixed = false). Чтобы оценить все состояния модели, сначала задайте все состояния Nx модели idnlgrey sys как свободные.

    for i = 1:Nx
    sys.InitialStates(i).Fixed = false;
    end 

    Точно так же, чтобы зафиксировать все начальные состояния к значениям, заданным в sys.InitialStates, сначала задайте все состояния, как зафиксировано в свойстве sys.InitialStates нелинейной модели серого поля.

  • D Подобно 'e', но поглощает ненулевые задержки в коэффициенты модели. Задержки сначала преобразованы в явные образцовые состояния, и начальные значения тех состояний также оценены и возвращены.

    Используйте эту опцию в течение дискретного времени линейные модели только.

  • Vector or Matrix — Исходное предположение для значений состояния, при использовании нелинейных моделей. Задайте вектор-столбец длины, равной количеству состояний. Для данных мультиэксперимента используйте матрицу со столбцами Ne, где Ne является количеством экспериментов.

    Используйте эту опцию для нелинейных моделей только.

  • Объект x0obj — Specification, созданный с помощью idpar. Используйте x0obj, чтобы наложить ограничения на начальные состояния путем фиксации их значения или определения минимальных или максимальных границ.

    Используйте x0obj только для нелинейных моделей серого поля и линейных моделей в пространстве состояний (idss или idgrey). Эта опция применима только для горизонта прогноза, равного 1 или Inf. Дополнительную информацию см. в findstates о горизонте прогноза.

Удаление смещения от входных данных временного интервала во время оценки, заданной как пара, разделенная запятой, состоящая из 'InputOffset' и одно из следующего:

  • Вектор-столбец положительных целых чисел длины Nu, где Nu является количеством входных параметров.

  • [] — Не указывает ни на какое смещение.

  • Nu-by-Ne матрица — Для данных мультиэксперимента, задайте InputOffset как Nu-by-Ne матрица. Nu является количеством входных параметров, и Ne является количеством экспериментов.

Каждая запись, заданная InputOffset, вычтена из соответствующих входных данных.

Удаление смещения от выходных данных временного интервала во время оценки, заданной как пара, разделенная запятой, состоящая из 'OutputOffset' и одно из следующего:

  • Вектор-столбец длины Ny, где Ny является количеством выходных параметров.

  • [] — Не указывает ни на какое смещение.

  • Ny-by-Ne матрица — Для данных мультиэксперимента, задайте OutputOffset как Ny-by-Ne матрица. Ny является количеством выходных параметров, и Ne является количеством экспериментов.

Каждая запись, заданная OutputOffset, вычтена из соответствующих выходных данных.

Взвешивание ошибок прогноза при использовании мультивыходных данных, заданных как пара, разделенная запятой, состоящая из 'OutputWeight' и одно из следующего:

  • [] — Никакое взвешивание не используется. Определение как [] совпадает с eye(Ny), где Ny является количеством выходных параметров.

  • 'noise' — Инверсия шумового отклонения, сохраненного моделью, используется для взвешивания во время оценки начальных состояний.

  • Положительная полуопределенная матрица, W, размера Ny-by-Ny — Это взвешивание минимизирует trace(E'*E*W) для оценки начальных состояний, где E является матрицей ошибок прогноза.

Числовой метод поиска используется для итеративной оценки параметра, заданной как пара, разделенная запятой, состоящая из 'SearchMethod' и одно из следующего:

  • 'auto' Комбинацию алгоритмов поиска строки, 'gn', 'lm', 'gna' и методов 'grad' пробуют в последовательности в каждой итерации. Первое продвижение направления спуска к сокращению стоимости оценки используется.

  • 'gn' — Поиск наименьших квадратов Ньютона Гаусса подпространства. Сингулярные значения якобиевской матрицы меньше, чем GnPinvConstant*eps*max(size(J))*norm(J) отбрасываются при вычислении поискового направления. J является якобиевской матрицей. Матрица Гессиана аппроксимирована как JTJ. Если нет никакого улучшения этого направления, функция пробует направление градиента.

  • 'gna' — Адаптивный поиск Ньютона Гаусса подпространства. Меньше собственных значений, чем gamma*max(sv) Гессиана проигнорированы, где sv содержит сингулярные значения Гессиана. Направление Ньютона Гаусса вычисляется в остающемся подпространстве. gamma имеет начальное значение InitialGnaTolerance (см. Advanced в 'SearchOptions' для получения дополнительной информации). Это значение увеличено факторным LMStep каждый раз, когда поиску не удается найти нижнее значение критерия меньше чем в пяти делениях пополам. Это значение уменьшено факторным 2*LMStep каждый раз, когда поиск успешен без любых делений пополам.

  • 'lm' — Поиск наименьших квадратов Levenberg-Marquardt, где следующим значением параметров является -pinv(H+d*I)*grad от предыдущего. H является Гессиан, I является единичной матрицей, и grad является градиентом. d является числом, которое увеличено, пока нижнее значение критерия не найдено.

  • 'grad' — Поиск наименьших квадратов быстрейшего спуска.

  • 'lsqnonlin' — Доверительная область отражающий алгоритм lsqnonlin. Программное обеспечение Requires Optimization Toolbox™.

  • 'fmincon' — Ограниченные нелинейные решатели. Можно использовать последовательное квадратичное программирование (SQP) и доверять области отражающие алгоритмы решателя fmincon. Если у вас есть программное обеспечение Optimization Toolbox, можно также использовать внутреннюю точку и алгоритмы активного набора решателя fmincon. Задайте алгоритм в опции SearchOptions.Algorithm. Алгоритмы fmincon могут привести к улучшенным результатам оценки в следующих сценариях:

    • Ограниченные проблемы минимизации, когда существуют границы, наложенные на параметры модели.

    • Образцовые структуры, где функция потерь является нелинейным или не сглаженной функцией параметров.

    • Мультивыведите образцовую оценку. Определяющая функция потерь минимизирована по умолчанию для мультивыходной оценки модели. алгоритмы fmincon могут минимизировать такие функции потерь непосредственно. Другие методы поиска, такие как 'lm' и 'gn' минимизируют определяющую функцию потерь путем альтернативной оценки шумового отклонения и сокращения значения потерь для данного шумового значения отклонения. Следовательно, алгоритмы fmincon могут предложить лучшую эффективность и точность для мультивыходных оценок модели.

Набор опции для алгоритма поиска, заданного как пара, разделенная запятой, состоящая из 'SearchOptions ' и набора параметра поиска с полями, которые зависят от значения SearchMethod.

Структура SearchOptions, Когда SearchMethod Задан как 'gn', 'gna', 'lm', 'grad' или 'auto'

Имя поляОписаниеЗначение по умолчанию
Tolerance

Минимальная процентная разница между текущим значением функции потерь и ее ожидаемым улучшением после следующей итерации, заданной как положительная скалярная величина. Когда процент ожидаемого улучшения является меньше, чем Tolerance, остановка итераций. Оценка ожидаемого улучшения функции потерь в следующей итерации основана на векторе Ньютона Гаусса, вычисленном для текущего значения параметров.

0.01
MaxIterations

Максимальное количество итераций во время минимизации функции потерь, заданной как положительное целое число. Итерации останавливаются, когда MaxIterations достигнут, или другой критерий остановки удовлетворен, такие как Tolerance.

Установка MaxIterations = 0 возвращает результат процедуры запуска.

Используйте sys.Report.Termination.Iterations, чтобы получить фактическое количество итераций во время оценки, где sys является моделью idtf.

20
Advanced

Настройки расширенного поиска, заданные как структура со следующими полями:

Имя поляОписаниеЗначение по умолчанию
GnPinvConstant

Якобиевский матричный порог сингулярного значения, заданный как положительная скалярная величина. Сингулярные значения якобиевской матрицы, которые меньше, чем GnPinvConstant*max(size(J)*norm(J)*eps), отбрасываются при вычислении поискового направления. Применимый, когда SearchMethod является 'gn'.

10000
InitialGnaTolerance

Начальное значение gamma, заданного как положительная скалярная величина. Применимый, когда SearchMethod является 'gna'.

0.0001
LMStartValue

Начальное значение длины поискового направления d в методе Levenberg-Marquardt, заданном как положительная скалярная величина. Применимый, когда SearchMethod является 'lm'.

0.001
LMStep

Размер шага Levenberg-Marquardt, заданного как положительное целое число. Следующее значение длины поискового направления d в методе Levenberg-Marquardt является временами LMStep предыдущее. Применимый, когда SearchMethod является 'lm'.

2
MaxBisections

Максимальное количество делений пополам, используемых для строки, ищет вдоль поискового направления, заданного как положительное целое число.

25
MaxFunctionEvaluations

Максимальное количество вызовов образцового файла, заданного как положительное целое число. Итерации останавливаются, если количество вызовов образцового файла превышает это значение.

Inf
MinParameterChange

Самое маленькое обновление параметра позволено на итерацию, заданную как неотрицательный скаляр.

0
RelativeImprovement

Относительный порог улучшения, заданный как неотрицательный скаляр. Итерации останавливаются, если относительное улучшение оценочной функции является меньше, чем это значение.

0
StepReduction

Фактор сокращения шага, заданный как положительная скалярная величина, которая больше, чем 1. Предложенное обновление параметра уменьшается факторным StepReduction после каждой попытки. Это сокращение продолжается, пока попытки MaxBisections не завершаются, или нижнее значение оценочной функции получено.

StepReduction не применим для SearchMethod 'lm' (метод Levenberg-Marquardt).

2

Структура SearchOptions, Когда SearchMethod Задан как 'lsqnonlin'

Имя поляОписаниеЗначение по умолчанию
FunctionTolerance

Допуск завершения на функции потерь, которую программное обеспечение минимизирует, чтобы определить предполагаемые значения параметров, заданные как положительная скалярная величина.

Значение FunctionTolerance совпадает со значением opt.SearchOptions.Advanced.TolFun.

1e-5
StepTolerance

Допуск завершения на предполагаемых значениях параметров, заданных как положительная скалярная величина.

Значение StepTolerance совпадает со значением opt.SearchOptions.Advanced.TolX.

1e-6
MaxIterations

Максимальное количество итераций во время минимизации функции потерь, заданной как положительное целое число. Итерации останавливаются, когда MaxIterations достигнут, или другой критерий остановки удовлетворен, такие как FunctionTolerance.

Значение MaxIterations совпадает со значением opt.SearchOptions.Advanced.MaxIter.

20
Advanced

Настройки расширенного поиска, заданные как опция, установлены для lsqnonlin.

Для получения дополнительной информации см. таблицу Optimization Options в Опциях Оптимизации (Optimization Toolbox).

Используйте optimset('lsqnonlin'), чтобы создать набор опции по умолчанию.

Структура SearchOptions, Когда SearchMethod Задан как 'fmincon'

Имя поляОписаниеЗначение по умолчанию
Algorithm

Алгоритм оптимизации fmincon, заданный как одно из следующего:

  • 'sqp' — Последовательный алгоритм квадратичного программирования. Алгоритм удовлетворяет границы во всех итерациях, и он может восстановиться с результатов Inf или NaN. Это не крупномасштабный алгоритм. Для получения дополнительной информации смотрите Крупномасштабный по сравнению с Алгоритмами Средней шкалы (Optimization Toolbox).

  • 'trust-region-reflective' — Метод доверительной области подпространства на основе внутреннего отражающего метода Ньютона. Это - крупномасштабный алгоритм.

  • 'interior-point' — Крупномасштабный алгоритм, который требует программного обеспечения Optimization Toolbox. Алгоритм удовлетворяет границы во всех итерациях, и он может восстановиться с результатов Inf или NaN.

  • Программное обеспечение 'active-set' — Requires Optimization Toolbox. Алгоритм может сделать большие шаги, который добавляет скорость. Это не крупномасштабный алгоритм.

Для получения дополнительной информации об алгоритмах, см. Ограниченные Нелинейные Алгоритмы Оптимизации (Optimization Toolbox) и Выбор Algorithm (Optimization Toolbox).

'sqp'
FunctionTolerance

Допуск завершения на функции потерь, которую программное обеспечение минимизирует, чтобы определить предполагаемые значения параметров, заданные как положительная скалярная величина.

1e-6
StepTolerance

Допуск завершения на предполагаемых значениях параметров, заданных как положительная скалярная величина.

1e-6
MaxIterations

Максимальное количество итераций во время минимизации функции потерь, заданной как положительное целое число. Итерации останавливаются, когда MaxIterations достигнут, или другой критерий остановки удовлетворен, такие как FunctionTolerance.

100

Чтобы задать значения полей в SearchOptions , создайте набор findstatesOptions по умолчанию и измените поля с помощью записи через точку. Любые поля, которые вы не изменяете, сохраняют свои значения по умолчанию.

opt = findstatesOptions;
opt.SearchOptions.Tolerance = 0.02;
opt.SearchOptions.Advanced.MaxBisections = 30;

Выходные аргументы

свернуть все

Набор опции для findstates, возвращенного как опция findstatesOptions, установлен.

Смотрите также

|

Представленный в R2012a

Для просмотра документации необходимо авторизоваться на сайте