idnlarx

Нелинейная модель ARX

свернуть все на странице

Синтаксис

sys = idnlarx(Orders)
sys = idnlarx(Orders,Nonlinearity)
sys = idnlarx(Orders,Nonlinearity,Name,Value)
sys = idnlarx(LinModel)
sys = idnlarx(LinModel,Nonlinearity)
sys = idnlarx(LinModel,Nonlinearity,Name,Value)

Описание

sys = idnlarx(Orders) создает нелинейную модель ARX с заданными порядками с помощью средства оценки нелинейности сети вейвлета по умолчанию.

sys = idnlarx(Orders,Nonlinearity) задает средство оценки нелинейности для модели.

sys = idnlarx(Orders,Nonlinearity,Name,Value) задает дополнительные атрибуты структуры модели idnlarx с помощью одного или нескольких аргументов пары Name,Value.

sys = idnlarx(LinModel) использует линейную модель ARX LinModel, чтобы задать порядки модели и начальные значения линейных коэффициентов модели.

sys = idnlarx(LinModel,Nonlinearity) задает средство оценки нелинейности для модели.

sys = idnlarx(LinModel,Nonlinearity,Name,Value) задает дополнительные атрибуты структуры модели idnlarx с помощью одного или нескольких аргументов пары Name,Value.

Описание объекта

idnlarx представляет нелинейную модель ARX, которая является расширением линейной структуры ARX и содержит линейные и нелинейные функции. Для получения дополнительной информации смотрите, что Нелинейная Модель ARX Расширяет Линейную Структуру ARX.

Используйте команду nlarx, чтобы и создать объект idnlarx и оценить параметры модели.

Можно также использовать конструктора idnlarx, чтобы создать нелинейную модель ARX и затем оценить параметры модели с помощью nlarx или pem.

Для свойств объектов idnlarx смотрите Свойства.

Примеры

свернуть все

Скрипт Open Live Script
m = idnlarx([2 2 1]);
Скрипт Open Live Script

Создайте нелинейную модель ARX с определенными порядками.

M = idnlarx([3 2 1]);

Сконфигурируйте модель со следующими настройками свойства:

  • Сигмоидальная сетевая нелинейность с настройками по умолчанию

  • Используйте входные параметры только в качестве нелинейных регрессоров

M.Nonlinearity = 'sigmoidnet';
M.NonlinearRegressors = 'input';
Скрипт Open Live Script
m = idnlarx([2 3 1],sigmoidnet('NumberOfUnits',15));
Скрипт Open Live Script
m = idnlarx([2 2 1],[]);
Скрипт Open Live Script

Задайте два пользовательских регрессора.

C = {'y1(t-1)^2','y1(t-2)*u1(t-3)'};

Создайте нелинейную модель ARX с пользовательскими регрессорами и никакими стандартными регрессорами.

sys = idnlarx([0 0 0],'wavenet','CustomRegressors',C);
Скрипт Open Live Script

Создайте линейную модель ARX.

A = [1 -1.2 0.5];
B = [0.8 1];
LinearModel = idpoly(A, B, 'Ts', 0.1);

Создайте нелинейную модель ARX с помощью линейной модели ARX.

m1 = idnlarx(LinearModel);

Входные параметры

свернуть все

Порядки модели и задержки определения настройки регрессора, заданной как 1 3 вектор, [na nb nk].

Для модели с ny каналы вывода и каналы входа nu:

  • na является ny-by-ny матрица, где na(i,j) указывает, что количество регрессоров от j th вывод раньше предсказывало i th вывод.

  • nb является ny-by-nu матрица, где nb(i,j) указывает, что количество регрессоров от j th вход раньше предсказывало i th вывод.

  • nk является ny-by-nu матрица, где nk(i,j) указывает, что задержка в j th вход раньше предсказывала i th вывод.

na = [1 2; 2 3]
nb = [1 2 3; 2 3 1];
nk = [2 0 3; 1 0 5];

Данные об оценке для этой системы имеют три входных параметров (u1, u2, u3) и два выходных параметров (y1, y2). Полагайте, что регрессоры раньше предсказывали вывод, y2(t):

  • Поскольку na(2,:) является [2 3], способствующие регрессоры от выходных параметров:

    • y1(t-1) и y1(t-2)

    • y2(t-1), y2(t-2) и y2(t-3)

  • Поскольку nb(2,:) является [2 3 1], и nk(2,:) является [1 0 5], способствующие регрессоры от входных параметров:

    • u1(t-1) и u1(t-2)

    • u2(t), u2(t-1) и u2(t-2)

    • u3(t-5)

Примечание

Минимальной задержкой для регрессоров на основе выходных переменных является всегда 1, в то время как минимальную задержку для регрессоров на основе входных переменных диктует nk. Используйте getreg, чтобы просмотреть полный набор регрессоров, используемых нелинейной моделью ARX.

Средство оценки нелинейности, заданное как одно из следующего:

Объект 'wavenet' или wavenetСеть Wavelet
Объект 'sigmoidnet' или sigmoidnetСигмоидальная сеть
Объект 'treepartition' или treepartitionДвоичное дерево
Объект 'linear' или [] или linearЛинейная функция
Объект neuralnetНейронная сеть — Требует Deep Learning Toolbox™.
Объект customnetПользовательская сеть — Подобно sigmoidnet, но с пользовательской заменой для сигмоидальной функции.

Для получения дополнительной информации смотрите Доступные Средства оценки Нелинейности для Нелинейных Моделей ARX.

Определение вектора символов, например, 'sigmoidnet', создает объект средства оценки нелинейности с настройками по умолчанию. Также можно задать настройки средства оценки нелинейности двумя способами:

  • Используйте связанную функцию средства оценки нелинейности с Аргументами пары "имя-значение".

    NL = sigmoidnet('NumberOfUnits',10);

  • Создайте и измените объект средства оценки нелинейности по умолчанию.

    NL = sigmoidnet;
NL.NumberOfUnits = 10;

Для ny каналы вывода можно задать нелинейные средства оценки индивидуально для каждого канала установкой Nonlinearity к ny-by-1 массив объектов средства оценки нелинейности. Чтобы задать ту же нелинейность для всех выходных параметров, задайте Nonlinearity как вектор символов или один объект средства оценки нелинейности.

Пример: 'sigmoidnet' задает сигмоидальную сетевую нелинейность с настройкой по умолчанию.

Пример: treepartition('NumberOfUnits',5) задает нелинейность двоичного дерева с условиями 5 в расширении двоичного дерева.

Пример: [wavenet('NumberOfUnits',10);sigmoidnet] задает различные средства оценки нелинейности для двух выходных каналов.

Модель полинома ввода - вывода дискретного времени структуры ARX, заданной как модель idpoly. Создайте этот объект с помощью конструктора idpoly или оцените его с помощью команды arx.

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.

Используйте аргументы Name,Value, чтобы задать дополнительные свойства моделей idnlarx во время образцового создания. Например, m = idnlarx([2 3 1],'treepartition','InputName','Pressure','Ts',0.1) создает модель idnlarx с входным именем Pressure и шаг расчета секунд 0.1

Свойства

na, nb, nk

Порядки модели и задержки определения настройки регрессора, заданной как неотрицательные целые числа.

Для модели с ny каналы вывода и каналы входа nu:

  • na является ny-by-ny матрица, где na(i,j) указывает, что количество регрессоров от j th вывод раньше предсказывало i th вывод.

  • nb является ny-by-nu матрица, где nb(i,j) указывает, что количество регрессоров от j th вход раньше предсказывало i th вывод.

  • nk является ny-by-nu матрица, где nk(i,j) указывает, что задержка в j th вход раньше предсказывала i th вывод.

na = [1 2; 2 3]
nb = [1 2 3; 2 3 1];
nk = [2 0 3; 1 0 5];

Данные об оценке для этой системы имеют три входных параметров (u1, u2, u3) и два выходных параметров (y1, y2). Полагайте, что регрессоры раньше предсказывали вывод, y2(t):

  • Поскольку na(2,:) является [2 3], способствующие регрессоры от выходных параметров:

    • y1(t-1) и y1(t-2)

    • y2(t-1), y2(t-2) и y2(t-3)

  • Поскольку nb(2,:) является [2 3 1], и nk(2,:) является [1 0 5], способствующие регрессоры от входных параметров:

    • u1(t-1) и u1(t-2)

    • u2(t), u2(t-1) и u2(t-2)

    • u3(t-5)

Примечание

Минимальной задержкой для регрессоров на основе выходных переменных является всегда 1, в то время как минимальную задержку для регрессоров на основе входных переменных диктует nk. Используйте getreg, чтобы просмотреть полный набор регрессоров, используемых нелинейной моделью ARX.

CustomRegressors

Регрессоры, созданные из комбинаций вводов и выводов, заданных как одно из следующего:

  • Массив ячеек из символьных векторов. Например:

    • {'y1(t-3)^3','y2(t-1)*u1(t-3)','sin(u3(t-2))'}

    Каждый вектор символов должен представлять действительную формулу для регрессора, способствующего прогнозу образцового вывода. Формула должна быть записана с помощью имен ввода и вывода и имени переменной времени как переменные.

  • Массив пользовательских объектов регрессора, созданное использование customreg или polyreg.

Для модели с ny выходные параметры задайте ny-by-1 массив ячеек массивов объектов customreg или ny-by-1 массив ячеек массива ячеек из символьных векторов.

Эти регрессоры в дополнение к стандартным регрессорам на основе na, nb и nk.

Значение по умолчанию: {}

NonlinearRegressors

Подмножество регрессоров, которые входят как входные параметры в нелинейный блок модели, заданной как одно из следующего:

  • все Все регрессоры

  • вывод Регрессоры, содержащие выходные переменные

  • входной параметр Регрессоры, содержащие входные переменные

  • 'standard' — Стандартные регрессоры

  • 'custom' — Пользовательские регрессоры

  • 'search' — Алгоритм оценки выполняет поиск лучшей комбинации регрессора. Эта опция должна быть применена ко всем выходным моделям одновременно.

  • [] — Никакие регрессоры

  • Вектор индексов регрессора. Чтобы определить номер и порядок регрессоров, используйте getreg.

Для модели с несколькими выходными параметрами задайте массив ячеек элементов ny, где ny является количеством выходных каналов. Для каждого вывода задайте одну из предыдущих опций. Также, чтобы применить то же подмножество регрессора ко всем образцовым выходным параметрам, задайте [] или любую из одних только опций вектора символов, например, 'standard'.

Значение по умолчанию: 'all'

Nonlinearity

Средство оценки нелинейности, заданное как одно из следующего:

Объект 'wavenet' или wavenetСеть Wavelet
Объект 'sigmoidnet' или sigmoidnetСигмоидальная сеть
Объект 'treepartition' или treepartitionДвоичное дерево
Объект 'linear' или [] или linearЛинейная функция
Объект neuralnetНейронная сеть — Требует Deep Learning Toolbox.
Объект customnetПользовательская сеть — Подобно sigmoidnet, но с пользовательской заменой для сигмоидальной функции.

Для получения дополнительной информации смотрите Доступные Средства оценки Нелинейности для Нелинейных Моделей ARX.

Определение вектора символов, например, 'sigmoidnet', создает объект средства оценки нелинейности с настройками по умолчанию. Также можно задать настройки средства оценки нелинейности двумя способами:

  • Используйте связанную функцию средства оценки нелинейности с Аргументами пары "имя-значение":

    NL = sigmoidnet('NumberOfUnits',10);

  • Создайте и измените объект средства оценки нелинейности по умолчанию:

    NL = sigmoidnet;
NL.NumberOfUnits = 10;

Для ny каналы вывода можно задать нелинейные средства оценки индивидуально для каждого канала установкой Nonlinearity к массиву объектов средства оценки нелинейности ny, где ny является количеством выходных параметров. Чтобы задать ту же нелинейность для всех выходных параметров, задайте Nonlinearity как вектор символов или один объект средства оценки нелинейности.

Значение по умолчанию: 'wavenet'

Report

Сводный отчет, который содержит информацию об опциях оценки и результатах, когда модель оценивается с помощью команды nlarx. Используйте Report, чтобы запросить модель для того, как он был оценен, включая:

  • Метод оценки

  • Опции оценки

  • Поисковые условия завершения

  • Совпадение данных оценки

Содержимое Report не важно, если модель была создана.

m = idnlarx([2 2 1]);
m.Report.OptionsUsed
ans =

     []

Если вы используете nlarx, чтобы оценить модель, поля Report содержат информацию о данных об оценке, опциях и результатах.

load iddata1;
m = nlarx(z1, [2 2 1]);
m.Report.OptionsUsed
Option set for the nlarx command:

  IterativeWavenet: 'auto'
             Focus: 'prediction'
           Display: 'off'
    Regularization: [1x1 struct]
      SearchMethod: 'auto'
     SearchOptions: [1x1 idoptions.search.identsolver]
      OutputWeight: 'noise'
          Advanced: [1x1 struct]

Report является свойством только для чтения.

Для получения дополнительной информации об этом свойстве и как использовать его, см. Выходные аргументы на странице с описанием nlarx и Отчет Оценки.

TimeVariable

Независимая переменная для входных параметров, выходных параметров, и — когда доступный — внутренние состояния, заданные как вектор символов.

Значение по умолчанию: 't' (время)

NoiseVariance

Шумовое отклонение (ковариационная матрица) образцовых инноваций e.
Присваиваемым значением является ny-by-ny матрица.
Обычно устанавливайте автоматически алгоритмом оценки.

Ts

'SampleTime' . Ts является положительной скалярной величиной, представляющей период выборки. Это значение выражается в модуле, заданном свойством TimeUnit модели.

Значение по умолчанию: 1

TimeUnit

Модули для переменной времени, шаг расчета Ts и любые задержки модели, заданной как одно из следующих значений:

  • 'nanoseconds'

  • 'microseconds'

  • 'milliseconds'

  • 'seconds'

  • 'minutes'

  • 'hours'

  • 'days'

  • 'weeks'

  • 'months'

  • 'years'

Изменение этого свойства не имеет никакого эффекта на другие свойства, и поэтому изменяет полное поведение системы. Используйте chgTimeUnit, чтобы преобразовать между единицами измерения времени, не изменяя поведение системы.

Значение по умолчанию: 'seconds'

InputName

Введите названия канала, заданные как одно из следующего:

  • Вектор символов — Для моделей одно входа, например, 'controls'.

  • Массив ячеек из символьных векторов Модели мультивхода For.

Также используйте автоматическое векторное расширение, чтобы присвоить входные имена для мультивходных моделей. Например, если sys является 2D входной моделью, введите:

sys.InputName = 'controls';

Входные имена автоматически расширяются до {'controls(1)';'controls(2)'}.

Когда вы оцениваете модель с помощью объекта iddata, data, программное обеспечение автоматически устанавливает InputName на data.InputName.

Можно использовать краткое обозначение u, чтобы относиться к свойству InputName. Например, sys.u эквивалентен sys.InputName.

Входные названия канала имеют несколько использования, включая:

  • Идентификация каналов на образцовом отображении и графиках

  • Извлечение подсистем систем MIMO

  • Определение точек контакта, когда взаимосвязанные модели

Значение по умолчанию: '' для всех входных каналов

InputUnit

Введите модули канала, заданные как одно из следующего:

  • Вектор символов — Для моделей одно входа, например, 'seconds'.

  • Массив ячеек из символьных векторов Модели мультивхода For.

Используйте InputUnit, чтобы отслеживать модули входного сигнала. InputUnit не имеет никакого эффекта на поведение системы.

Значение по умолчанию: '' для всех входных каналов

InputGroup

Введите группы канала. Свойство InputGroup позволяет вам присвоить входные каналы систем MIMO в группы и обратиться к каждой группе по наименованию. Задайте входные группы как структуру. В этой структуре имена полей являются названиями группы, и значения полей являются входными каналами, принадлежащими каждой группе. Например:

sys.InputGroup.controls = [1 2];
sys.InputGroup.noise = [3 5];

создает входные группы под названием controls и noise, которые включают входные каналы 1, 2 и 3, 5, соответственно. Можно затем извлечь подсистему от входных параметров controls до всего выходного использования:

sys(:,'controls')

Значение по умолчанию: Struct без полей

OutputName

Выведите названия канала, заданные как одно из следующего:

  • Вектор символов — Для моделей одно вывода. Например, 'measurements'.

  • Массив ячеек из символьных векторов For модели мультивывода.

Также используйте автоматическое векторное расширение, чтобы присвоить выходные имена для мультивыходных моделей. Например, если sys является 2D выходной моделью, введите:

sys.OutputName = 'measurements';

Выходные имена автоматически расширяются до {'measurements(1)';'measurements(2)'}.

Когда вы оцениваете модель с помощью объекта iddata, data, программное обеспечение автоматически устанавливает OutputName на data.OutputName.

Можно использовать краткое обозначение y, чтобы относиться к свойству OutputName. Например, sys.y эквивалентен sys.OutputName.

Выходные названия канала имеют несколько использования, включая:

  • Идентификация каналов на образцовом отображении и графиках

  • Извлечение подсистем систем MIMO

  • Определение точек контакта, когда взаимосвязанные модели

Значение по умолчанию: '' для всех выходных каналов

OutputUnit

Выведите модули канала, заданные как одно из следующего:

  • Вектор символов — Для моделей одно вывода. Например, 'seconds'.

  • Массив ячеек из символьных векторов For модели мультивывода.

Используйте OutputUnit, чтобы отслеживать модули выходного сигнала. OutputUnit не имеет никакого эффекта на поведение системы.

Значение по умолчанию: '' для всех выходных каналов

OutputGroup

Выведите группы канала. Свойство OutputGroup позволяет вам присвоить выходные каналы систем MIMO в группы и обратиться к каждой группе по наименованию. Задайте выходные группы как структуру. В этой структуре имена полей являются названиями группы, и значения полей являются выходными каналами, принадлежащими каждой группе. Например:

sys.OutputGroup.temperature = [1];
sys.InputGroup.measurement = [3 5];

создает выходные группы под названием temperature и measurement, которые включают выходные каналы 1, и 3, 5, соответственно. Можно затем извлечь подсистему от всех входных параметров до measurement использование выходных параметров:

sys('measurement',:)

Значение по умолчанию: Struct без полей

Name

Имя системы, заданное как вектор символов. Например, 'system_1'.

Значение по умолчанию: ''

Notes

Любой текст, который вы хотите сопоставить с системой, сохраненной как строка или массив ячеек из символьных векторов. Свойство хранит, какой бы ни тип данных вы обеспечиваете. Например, если sys1 и sys2 являются моделями динамической системы, можно установить их свойства Notes можно следующим образом:

sys1.Notes = "sys1 has a string.";
sys2.Notes = 'sys2 has a character vector.';
sys1.Notes
sys2.Notes
ans = 

    "sys1 has a string."


ans =

    'sys2 has a character vector.'

Значение по умолчанию: [0×1 string]

UserData

Любой тип данных вы хотите сопоставить с системой, заданной как любой тип данных MATLAB®.

Значение по умолчанию: []

Выходные аргументы

свернуть все

Нелинейная модель ARX, возвращенная как объект idnlarx. Эта модель создается с помощью заданных порядков модели, средства оценки нелинейности и свойств.

Больше о

свернуть все

Нелинейная структура модели ARX

Нелинейная модель ARX состоит из образцовых регрессоров и средства оценки нелинейности. Средство оценки нелинейности включает и линейные и нелинейные функции, которые действуют на образцовые регрессоры, чтобы дать образцовый вывод. Эта блок-схема представляет структуру нелинейной модели ARX в сценарии симуляции.

Программное обеспечение вычисляет нелинейную модель ARX вывод y на двух этапах:

  1. Это вычисляет значения регрессора из текущих и прошлых входных значений и прошлых выходных данных.

    В самом простом случае регрессоры являются задержанными вводами и выводами, такими как u (t-1) и y (t-3). Подобные регрессоры называются стандартными регрессорами. Вы задаете стандартные регрессоры с помощью порядков модели и задержки. Для получения дополнительной информации смотрите Нелинейные Порядки Модели ARX и Задержку. Можно также задать пользовательские регрессоры, которые являются нелинейными функциями задержанных вводов и выводов. Например, u (t-1) *y (t-3). Чтобы создать набор полиномиальных регрессоров типа, используйте polyreg.

    По умолчанию все регрессоры являются входными параметрами и к линейному и к нелинейным функциональным блокам средства оценки нелинейности. Можно выбрать подмножество регрессоров как входные параметры к нелинейному функциональному блоку.

  2. Это сопоставляет регрессоры с образцовым выводом с помощью блока средства оценки нелинейности. Блок средства оценки нелинейности может включать линейные и нелинейные блоки параллельно. Например:

    F(x)=LT(x−r)+d+g(Q(x−r))

    Здесь, x является вектором регрессоров, и r является средним значением регрессоров x. LT(x)+d вывод блока линейной функции и является аффинным когда d ≠ 0. d является скалярным смещением. g(Q(x−r)) представляет вывод нелинейного функционального блока. Q является матрицей проекции, которая делает вычисления хорошо подготовленными. Точная форма F (x) зависит от вашего выбора средства оценки нелинейности. Можно выбрать из доступных средств оценки нелинейности, таких как сети древовидного раздела, сети вейвлета и многоуровневые нейронные сети. Можно также исключить или линейное или нелинейный функциональный блок от средства оценки нелинейности.

    При оценке нелинейной модели ARX программное обеспечение вычисляет значения параметра модели, такие как L, r, d, Q и другие параметры, задающие g.

Получившиеся нелинейные модели ARX являются объектами idnlarx, которые хранят все данные модели, включая образцовые регрессоры и параметры средства оценки нелинейности. Для получения дополнительной информации об этих объектах, смотрите Нелинейные Образцовые Структуры.

Определение idnlarx состояний

Состояния объекта idnlarx являются упорядоченным списком задержанных переменных ввода и вывода, которые задают структуру модели. Тулбокс использует это определение состояний для создания вектора начального состояния, который используется во время симуляции и прогноза с sim, predict и compare. Это определение также используется для линеаризации нелинейных моделей ARX с помощью linearize.

Этот тулбокс предоставляет несколько возможностей упрощать, как вы задаете начальные состояния. Например, можно использовать findstates и data2state, чтобы искать значения состояния в приложениях прогноза и симуляции. Для линеаризации используйте findop. Можно также задать состояния вручную.

Состояния модели idnlarx зависят от максимальной задержки каждой переменной ввода и вывода, используемой регрессорами. Если переменная p имеет максимальную задержку выборок D, то она вносит элементы D в вектор состояния во время t: p (t-1), p (t-2)..., p (t-D).

Например, если у вас есть одно вход, модель idnlarx одно вывода.

m = idnlarx([2 3 0],'wavenet','CustomRegressors',{'y1(t-10)*u1(t-1)'});

Эта модель имеет эти регрессоры. 

getreg(m)
Regressors:
    y1(t-1)
    y1(t-2)
    u1(t)
    u1(t-1)
    u1(t-2)
    y1(t-10)*u1(t-1)

Регрессоры показывают, что максимальная задержка выходной переменной, y1 является 10 выборками и максимальной задержкой входа u1, является двумя выборками. Таким образом эта модель имеет в общей сложности 12 состояний:

X(t) = [y1(t-1),y2(t-2),…,y1(t-10),u1(t-1),u1(t-2)]

Примечание

Вектор состояния включает выходные переменные сначала, сопровождаемый входными переменными.

Как другой пример, рассмотрите модель с 3 входами и с 2 выводами. 

m = idnlarx([2 0 2 2 1 1 0 0; 1 0 1 5 0 1 1 0],[wavenet; linear]);

Эта модель имеет эти регрессоры. 

getreg(m)
Regressors:
  For output 1:
    y1(t-1)
    y1(t-2)
    u1(t-1)
    u1(t-2)
    u2(t)
    u2(t-1)
    u3(t)
  For output 2:
    y1(t-1)
    u1(t-1)
    u2(t-1)
    u2(t-2)
    u2(t-3)
    u2(t-4)
    u2(t-5)

Максимальная задержка выходной переменной y1 является двумя выборками. Эта задержка происходит в наборе регрессора для вывода 1. Максимальные задержки этих трех входных переменных равняются 2, 5, и 0, соответственно. Таким образом вектор состояния: 

X(t) = [y1(t-1), y1(t-2), u1(t-1), u1(t-2), u2(t-1), 
            u2(t-2), u2(t-3), u2(t-4), u2(t-5)]

Переменные y2 и u3 не способствуют вектору состояния, потому что максимальная задержка этих переменных является нулем.

Более простой способ определить состояния путем осмотра регрессоров состоит в том, чтобы использовать getDelayInfo, который возвращает максимальные задержки всех переменных I/O через все образцовые выходные параметры. Для нескольких - вводит несколько - выходная модель m, getDelayInfo возвращается: 

maxDel = getDelayInfo(m)
maxDel = 1×5

     2     0     2     5     0

maxDel содержит максимальные задержки всех переменных ввода и вывода в порядке (y1, y2, u1, u2, u3). Общим количеством образцовых состояний является sum(maxDel) = 9.

Набор состояний для модели idnlarx не требуется, чтобы быть минимальным.

Смотрите также

| | | | | | | | | | |

Темы

Представленный в R2007a

Документация System Identification Toolbox
Поддержка
Для просмотра документации необходимо авторизоваться на сайте