Непараметрическая импульсная оценка ответа
sys = impulseest(data)
sys = impulseest(data,N)
sys = impulseest(data,N,NK)
sys = impulseest(___,options)
оценивает импульсную модель ответа, sys
= impulseest(data
)sys
, с помощью времени - или данные частотного диапазона, data
. Порядок модели (количество ненулевых импульсных коэффициентов ответа) определяется автоматически с помощью персистентности анализа возбуждения входных данных.
оценивает sys
= impulseest(data
,N
)N
th импульсная модель ответа порядка, соответствуя области значений времени 0: Ts : (N –1) *Ts, где Ts
является шагом расчета данных.
задает транспортную задержку выборок sys
= impulseest(data
,N
,NK
)NK
в предполагаемом импульсном ответе.
указывает, что опции оценки с помощью опций устанавливают sys
= impulseest(___,options
)options
.
Используйте непараметрический импульсный ответ, чтобы анализировать data
для эффектов обратной связи, задержек и значительных временных констант.
|
Данные об оценке по крайней мере с одним входным сигналом и ненулевым шагом расчета. Для оценки области времени Для оценки частотного диапазона |
|
Порядок модели FIR. Должно быть одно из следующего:
|
|
Транспортная задержка предполагаемого импульсного ответа, заданного как скалярное целое число. Для данных, содержащих входные параметры Nu и Ny выходные параметры, можно также задать Ny-by-Nu матрица.
Положительные значения Импульсный ответ (вход Значение по умолчанию: нули (Ny, Nu) |
|
Опции оценки, которые задают следующее:
Используйте |
|
Предполагаемая импульсная модель ответа, возвращенная как модель Информация о результатах оценки и используемых опциях хранится в свойстве
Для получения дополнительной информации об использовании |
Чтобы просмотреть импульс или переходной процесс sys
, используйте или impulseplot
или stepplot
, соответственно.
Значительное значение импульсного ответа sys
для отрицательных временных стоимостей указывает на присутствие обратной связи в данных.
Чтобы просмотреть область незначительного импульсного ответа (статистически нулевой) в графике, щелкните правой кнопкой по графику и выберите Characteristics> Confidence Region. Закрашенная фигура, изображающая область нулевого ответа, появляется на графике. Импульсный ответ в любое время оценивает, является значительным, только если он находится за пределами нулевой области ответа. Уровень значения зависит от количества стандартных отклонений, заданных в ShowConfidence
или опциях в редакторе свойств. Общим выбором являются 3 стандартных отклонения, который дает значение на 99,7%.
Correlation analysis обращается к методам, которые оценивают импульсный ответ линейной модели без определенных предположений о порядках модели.
Импульсным ответом, g, является вывод системы, когда вход является импульсным сигналом. Выходной ответ на общий вход, u (t), получен как свертка с импульсным ответом. В непрерывное время:
В дискретное время:
Значениями g (k) является discrete time impulse response coefficients.
Можно оценить значения от наблюдаемых данных ввода - вывода несколькими различными способами. impulseest
оценивает первые коэффициенты n с помощью метода наименьших квадратов, чтобы получить модель конечного импульсного ответа (FIR) порядка n.
Несколько важных опций сопоставлены с оценкой:
При предварительном отбеливании — вход может быть предварительно побелен путем применения белящего вход фильтра порядка PW
к данным. Это минимизирует эффект заброшенного хвоста (k > n
) импульсного ответа.
Фильтр порядка, PW
применяется таким образом, что это белит входной сигнал u
:
1/A = A(u)e
, где A
является полиномом и e
, является белым шумом.
Вводы и выводы отфильтрованы с помощью фильтра:
uf = Au
, yf = Ay
Отфильтрованные сигналы uf
и yf
используются для оценки.
Можно задать предварительное отбеливание с помощью аргумента пары "имя-значение" PW
impulseestOptions
.
Регуляризация — оценка наименьших квадратов может быть упорядочена. Это означает, что предшествующее мнение затухания и взаимной корреляции среди g(k)
составляется и используется, чтобы объединить с информацией о g
от наблюдаемых данных. Это дает оценку с меньшим отклонением по цене некоторого смещения. Можно выбрать одно из этих нескольких ядер, чтобы закодировать предшествующую оценку.
Эта опция важна, потому что, часто, порядок модели n
может быть довольно большим. В случаях, где нет никакой регуляризации, n
может быть автоматически уменьшен, чтобы защитить разумное отклонение.
Можно задать ядро упорядочивания с помощью Аргумента пары "имя-значение" RegularizationKernel
impulseestOptions
.
Авторегрессивные Параметры — основная базовая модель FIR может быть дополнена NA
авторегрессивные параметры, делая его моделью ARX.
Это дает и лучшие результаты для маленького n
и позволяет объективные оценки, когда данные сгенерированы в замкнутом цикле. impulseest
использует NA = 5 для t> 0 и NA = 0 (никакой авторегрессивный компонент) для t <0.
Непричинные эффекты — Ответ для отрицательных задержек. Это может произойти, что данные были сгенерированы частично выходной обратной связью:
где h (k) является импульсным ответом регулятора, и r является термином воздействия или заданным значением. Существование и символ такой обратной связи h могут быть оценены таким же образом как g, просто путем торговли местами между y и u в вызове оценки. Используя impulseest
с индикацией относительно отрицательных задержек, , возвращает модель mi
с импульсным ответом
выровненный так, чтобы это соответствовало задержкам . Это достигается, потому что входной задержкой (InputDelay
) модели mi
является nk
.
Поскольку мультивход мультивывел систему, импульсный ответ, g (k) является ny-by-nu матрица, где ny является количеством выходных параметров, и nu является количеством входных параметров. i –j элемент матричного g (k) описывает поведение i th вывод после импульса в j th вход.
cra
| impulse
| impulseestOptions
| spa
| step