Вычислите непараметрическую импульсную модель ответа использование данных из фена. Вход является напряжением, применился к нагревателю, и вывод является температурой нагревателя. Используйте первые 500 выборок для оценки.

load dry2
ze = dry2(1:500);
sys = impulseest(ze);

ze является объектом iddata, который содержит данные временного интервала. sys, идентифицированная непараметрическая импульсная модель ответа, является моделью idtf.

Анализируйте импульсный ответ идентифицированной модели со времени от 0 до 1.

h = impulseplot(sys,1);

Щелкните правой кнопкой по графику и выберите Characteristics> Confidence Region, чтобы просмотреть статистически область нулевого ответа. Также можно использовать команду showConfidence.

showConfidence(h);

Первое значительно ненулевое значение ответа происходит в 0,24 секунды, или, третья задержка. Это подразумевает, что транспортная задержка является 3 выборками. Чтобы сгенерировать модель, где задержка с 3 выборками наложена, устанавливает транспортную задержку с 3:

sys = impulseest(ze,[],3)

Загрузите данные об оценке

load iddata3 z3;

Оцените 35-й порядок модель FIR.

sys = impulseest(z3,35);

Оцените импульсную модель ответа с транспортной задержкой 3 выборок.

Если вы знаете о присутствии задержки данных о вводе/выводе заранее, используйте значение в качестве транспортной задержки импульсной оценки ответа.

Сгенерируйте данные с входом с 3 выборками, чтобы вывести задержку. Создайте случайный входной сигнал и используйте модель idpoly, чтобы моделировать выходные данные.

u = rand(100,1);
sys = idpoly([1 .1 .4],[0 0 0 4 -2],[1 1 .1]);
opt = simOptions('AddNoise',true);
y = sim(sys,u,opt);
data = iddata(y,u,1);

Оцените 20-ю модель порядка с транспортной задержкой с 3 выборками.

model = impulseest(data,20,3);

Получите упорядоченные оценки импульсной модели ответа использование опции оценки ядра упорядочивания.

Оцените модель с помощью регуляризации.

load iddata3 z3;
sys1 = impulseest(z3);

По умолчанию настроенное и коррелируемое ядро ('TC') используется для регуляризации.

Оцените модель без регуляризации.

opt = impulseestOptions('RegularizationKernel','none');
sys2 = impulseest(z3,opt);

Сравните импульсный ответ обеих моделей.

h = impulseplot(sys1,sys2,70);

Когда график показывает, использование регуляризации делает ответ более сглаженным.

Постройте доверительный интервал.

showConfidence(h);

Неуверенность в вычисленном ответе уменьшается в больших задержках для модели с помощью регуляризации. Регуляризация уменьшает отклонение по цене некоторого смещения. Настройка регуляризации такова, что смещение во власти ошибки отклонения все же.

Загрузка данных.

load regularizationExampleData eData;

Создайте модель передаточной функции, используемую для генерации данных об оценке (истинная система).

trueSys = idtf([0.02008 0.04017 0.02008],[1 -1.561 0.6414],1);

Получите упорядоченную импульсную модель (FIR) ответа.

opt = impulseestOptions('RegularizationKernel','DC');
m0 = impulseest(eData,70,opt);

Преобразуйте модель в модель в пространстве состояний и уменьшайте порядок модели.

m1 = balred(idss(m0),15);

Получите вторую модель в пространстве состояний с помощью упорядоченного сокращения модели ARX.

m2 = ssregest(eData,15);

Сравните импульсные ответы истинной системы и предполагаемых моделей.

impulse(trueSys,m1,m2,50);   
legend('trueSys','m1','m2');

Используйте эмпирический импульсный ответ результатов измерений, чтобы проверить, существуют ли эффекты обратной связи. Значительная амплитуда импульсного ответа для отрицательных временных стоимостей указывает на эффекты обратной связи в данных.

Вычислите непричинный импульсный ответ с помощью фильтра четвертого порядка перед отбеливанием, автоматически выбранного порядка и отрицательной задержки с помощью неупорядоченной оценки.

load iddata3 z3;
opt = impulseestOptions('pw',4,'RegularizationKernel','none');
sys = impulseest(z3,[],'negative',opt);

sys является непричинной моделью, содержащей значения ответа в течение отрицательного времени.

Анализируйте импульсный ответ идентифицированной модели.

h = impulseplot(sys);

Просмотрите статистически область нулевого ответа путем щелчка правой кнопкой по графику и выбора Characteristics> Confidence Region. Также можно использовать команду showConfidence.

showConfidence(h);

Большое значение ответа в t=0 (нулевая задержка) предполагает, что данные прибывают из процесса, содержащего сквозное соединение. Таким образом, вход влияет на вывод мгновенно. Мог также быть прямой эффект обратной связи (пропорциональное управление без некоторой задержки, что u(t) определяется частично y(t)).

Кроме того, значения ответа являются значительными для некоторых отрицательных задержек, такой как в-7 секунд и-9 секунд. Такие значительные отрицательные величины предлагают возможность обратной связи в данных.

Вычислите импульсную модель ответа для данных о частотной характеристике.

load demofr;
zfr = AMP.*exp(1i*PHA*pi/180);
Ts = 0.1;
data = idfrd(zfr,W,Ts);
sys = impulseest(data);

Идентифицируйте параметрические и непараметрические модели для набора данных и сравните их переходной процесс.

Идентифицируйте импульсную (непараметрическую) модель ответа и (параметрическая) модель в пространстве состояний, на основе набора данных.

load iddata1 z1;
sys1 = impulseest(z1);
sys2 = ssest(z1,4);

sys1 является идентифицированной моделью передаточной функции дискретного времени. sys2 является непрерывно-разовой идентифицированной моделью в пространстве состояний.

Сравните переходной процесс для sys1 и sys2.

step(sys1,'b',sys2,'r');
legend('impulse response model','state-space model');