Опция установлена для n4sid
opt = n4sidOptions
opt = n4sidOptions(Name,Value)
opt = n4sidOptionsn4sid.
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) | trueУправляйте, 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) | falseСредства 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 n4sidn4sidOptions 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.