Опция установлена для n4sid
opt = n4sidOptions
opt = n4sidOptions(Name,Value)
создает набор опций по умолчанию для opt
= n4sidOptionsn4sid
.
создает набор опции с опциями, заданными одним или несколькими аргументами пары opt
= n4sidOptions(Name,Value
)Name,Value
.
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.
'InitialState'
— Обработка начальных состояний'estimate'
(значение по умолчанию) | 'zero'
Обработка начальных состояний во время оценки, заданной как одно из следующих значений:
'zero'
— Начальное состояние обнуляется.
'estimate'
— Начальное состояние обработано как независимый параметр оценки.
'N4Weight'
— Weighting используется для сингулярного разложения алгоритмом N4SID
'auto'
(значение по умолчанию) | 'MOESP'
| 'CVA'
| 'SSARX'
Схема Weighting, используемая для сингулярного разложения алгоритмом N4SID, заданным как одно из следующих значений:
'MOESP'
— Использует алгоритм MOESP Verhaegen [2].
'CVA'
— Использует канонический переменный алгоритм Larimore [1].
Оценка с помощью данных частотного диапазона всегда использует 'CVA'
.
'SSARX'
— Метод идентификации подпространства, который использует ARX основанный на оценке алгоритм, чтобы вычислить взвешивание.
Определение этой опции позволяет объективные оценки при использовании данных, которые собраны в операции с обратной связью. Для получения дополнительной информации об алгоритме, см. [4].
'auto'
Функция оценки выбирает между MOESP
, CVA
и алгоритмами SSARX
.
'N4Horizon'
— Вперед - и горизонты обратного прогноза используются алгоритмом N4SID
'auto'
(значение по умолчанию) | векторный [r sy su]
| k
-by-3 матрицаПередайте - и горизонты обратного прогноза, используемые алгоритмом N4SID, заданным как одно из следующих значений:
Вектор - строка с тремя элементами — [r sy su]
, где r
является максимальным прямым горизонтом прогноза, использующим до r
неродной вперед предикторы. sy
является количеством мимо выходных параметров, и su
является количеством прошлых входных параметров, которые используются для прогнозов. Смотрите страницы 209 и 210 в [3] для получения дополнительной информации. Эти числа могут иметь существенное влияние на качество получившейся модели, и нет никаких простых правил для выбора их. Создание 'N4Horizon'
, k
-by-3 матрица означает, что каждую строку 'N4Horizon'
пробуют, и значение, которое дает лучшее (прогноз), подгонка к данным выбрана. k
является количеством предположений комбинаций [r sy su]
. Если вы задаете N4Horizon как отдельный столбец, r = sy = su
используется.
'auto'
Программное обеспечение использует Критерий информации о Akaike (AIC) для выбора sy
и su
.
'Focus'
— Ошибка, которая будет минимизирована'prediction'
(значение по умолчанию) | 'simulation'
Ошибка, которая будет минимизирована в функции потерь во время оценки, заданной как пара, разделенная запятой, состоящая из 'Focus'
и одно из следующих значений:
Предсказание
Один шаг вперед ошибка прогноза между измеренными и предсказанными выходными параметрами минимизирован во время оценки. В результате оценка фокусируется на создании хорошей модели предиктора.
'simulation'
— Ошибка симуляции между измеренными и моделируемыми выходными параметрами минимизирована во время оценки. В результате оценка фокусируется на создании подходящего варианта для симуляции образцового ответа с текущими входными параметрами.
Опция Focus
может быть интерпретирована, когда взвешивание просачивается функция потерь. Для получения дополнительной информации смотрите Функцию потерь и Образцовые Метрики качества.
'WeightingFilter'
— Взвешивание предварительного фильтра[]
(значение по умолчанию) | вектор | матрица | массив ячеек | линейная системаВзвешивание предварительного фильтра применилось к функции потерь, которая будет минимизирована во время оценки. Чтобы понять эффект WeightingFilter
на функции потерь, смотрите Функцию потерь и Образцовые Метрики качества.
Задайте WeightingFilter
как одно из следующих значений:
[]
— Никакой предварительный фильтр взвешивания не используется.
Полосы пропускания — Задают вектор - строку или матрицу, содержащую значения частоты, которые задают желаемые полосы пропускания. Вы выбираете диапазон частот, где подгонка между предполагаемой моделью и данными об оценке оптимизирована. Например, [wl,wh]
, где wl
и wh
представляют нижние и верхние пределы полосы пропускания. Для матрицы с несколькими строками, задающими полосы пропускания частоты, [w1l,w1h;w2l,w2h;w3l,w3h;...]
, алгоритм оценки использует объединение частотных диапазонов, чтобы задать полосу пропускания оценки.
Полосы пропускания выражаются в rad/TimeUnit
для данных временного интервала и в FrequencyUnit
для данных частотного диапазона, где TimeUnit
и FrequencyUnit
являются временем и единицами частоты данных об оценке.
Фильтр SISO — Задает линейный фильтр одного входа одного вывода (SISO) одним из следующих способов:
Модель SISO LTI
Формат {A,B,C,D}
, который задает матрицы пространства состояний фильтра с тем же шагом расчета как данные об оценке.
Формат {numerator,denominator}
, который задает числитель и знаменатель фильтра как передаточная функция с тем же шагом расчета как данные об оценке.
Эта опция вычисляет функцию взвешивания как продукт фильтра и входного спектра, чтобы оценить передаточную функцию.
Взвешивание вектора — Применимый для данных частотного диапазона только. Задайте вектор-столбец весов. Этот вектор должен иметь ту же длину как вектор частоты набора данных, Data.Frequency
. Каждый ответ ввода и вывода в данных умножается на соответствующий вес на той частоте.
'EnforceStability'
— Управляйте, осуществить ли устойчивость моделиfalse
(значение по умолчанию) | true
Управляйте, осуществить ли устойчивость предполагаемой модели, заданной как пара, разделенная запятой, состоящая из 'EnforceStability'
и или true
или false
.
Типы данных: логический
'EstimateCovariance'
— Управляйте, сгенерировать ли данные о ковариации параметраtrue
(значение по умолчанию) | false
Средства управления, сгенерированы ли данные о ковариации параметра, задали как true
или false
.
Если EstimateCovariance
является true
, то используйте getcov
, чтобы выбрать ковариационную матрицу из предполагаемой модели.
Отображение
Задайте, отобразить ли прогресс оценки'off'
(значение по умолчанию) | 'on'
Задайте, отобразить ли прогресс оценки, заданный как одно из следующих значений:
'on'
— Информация об образцовой структуре и результатах оценки отображена в окне средства просмотра прогресса.
'off'
Никакая информация о прогрессе или результатах отображена.
'InputOffset'
— Удаление смещения от входных данных временного интервала во время оценки[]
(значение по умолчанию) | вектор положительных целых чисел | матрицаУдаление 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.
'OutputOffset'
— Удаление смещения от выходных данных временного интервала во время оценки[]
(значение по умолчанию) | вектор | матрицаУдаление 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.
'OutputWeight'
— Взвешивание ошибок прогноза по мультивыходным оценкам[]
(значение по умолчанию) | 'noise'
| положительная полуопределенная симметрическая матрицаВзвешивание ошибок прогноза по мультивыходным оценкам, заданным как одно из следующих значений:
'noise'
— Минимизировать , где E представляет ошибку прогноза, и N
является количеством выборок данных. Этот выбор оптимален в статистическом смысле и приводит к оценкам наибольшего правдоподобия в случае, если никакие данные не доступны об отклонении шума. Эта опция использует инверсию предполагаемого шумового отклонения как функция взвешивания.
Положительная полуопределенная симметрическая матрица (W
) — Минимизирует трассировку взвешенной ошибочной матрицы прогноза trace(E'*E*W/N)
где:
E
является матрицей ошибок прогноза с одним столбцом для каждого вывода. W
является положительной полуопределенной симметрической матрицей размера, равного количеству выходных параметров. Используйте W
, чтобы задать относительную важность выходных параметров в нескольких - выходные модели или надежность соответствующих данных.
N
является количеством выборок данных.
[]
— Программное обеспечение выбирает между 'noise'
или использованием единичной матрицы для W
.
Эта опция важна только для мультивыходных моделей.
'Advanced'
— Дополнительные расширенные настройкиДополнительные расширенные настройки, заданные как структура с полем MaxSize
. MaxSize
задает максимальное количество элементов в сегменте, когда данные ввода - вывода разделены в сегменты.
MaxSize
должен быть положительным целым числом.
Значение по умолчанию: 250000
opt
— Опция установлена для n4sid
n4sidOptions
установленаНабор опции для n4sid
, возвращенного как опция n4sidOptions
, установлен.
opt = n4sidOptions;
Создайте набор опций для n4sid
с помощью опции 'zero'
, чтобы инициализировать состояние. Установите Display
на 'on'
.
opt = n4sidOptions('InitialState','zero','Display','on');
Также используйте запись через точку, чтобы установить значения opt
.
opt = n4sidOptions; opt.InitialState = 'zero'; opt.Display = 'on';
[1] Larimore, W.E. “Канонический анализ варьируемой величины в идентификации, фильтрации и адаптивном управлении”. Продолжения 29-й Конференции по IEEE по Решению и Управлению, стр 596–604, 1990.
[2] Verhaegen, M. “Идентификация детерминированной части моделей в пространстве состояний MIMO”. Automatica, Издание 30, 1994, стр 61–74.
[3] Ljung, L. System Identification: теория для пользователя. Верхний Сэддл-Ривер, NJ: PTR Prentice Hall, 1999.
[4] Янссон, M. “Идентификация подпространства и моделирование ARX”. 13-й Симпозиум IFAC по System Identification, Роттердаму, Нидерланды, 2003.
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.