Загрузите данные об оценке.

load iddata2 z2

Оцените модель в пространстве состояний третьего порядка.

sys = ssest(z2,3);

Моделируйте идентифицированную модель с помощью входных каналов от данных об оценке.

y = sim(sys,z2);

Загрузите данные и получите идентифицированную модель.

load iddata2 z2
sys = n4sid(z2,3);

sys является оцененным использованием модели в пространстве состояний третьего порядка метода подпространства.

Создайте набор опции симуляции, чтобы добавить шум в моделируемый образцовый ответ.

opt1 = simOptions('AddNoise',true);

Моделируйте модель.

y = sim(sys,z2,opt1);

Гауссов белый шум по умолчанию отфильтрован шумовой передаточной функцией модели и добавлен к моделируемому образцовому ответу.

Можно также добавить собственный шумовой сигнал, e, с помощью опции NoiseData.

e = randn(length(z2.u),1);
opt2 = simOptions('AddNoise',true,'NoiseData',e);

Моделируйте модель.

y = sim(sys,z2,opt2);

Загрузка данных.

load iddata1 z1

Задайте опцию оценки, чтобы оценить начальное состояние.

estimOpt = ssestOptions('InitialState','estimate');

Оцените модель в пространстве состояний и возвратите значение предполагаемого начального состояния.

[sys,x0] = ssest(z1,2,estimOpt);

Задайте начальные условия для симуляции

simOpt = simOptions('InitialCondition',x0);

Моделируйте модель и получите образцовый ответ и стандартное отклонение.

[y,y_sd] = sim(sys,z1,simOpt);

Загрузите данные об оценке и оцените модель в пространстве состояний.

load iddata1 z1
sys = ssest(z1,2);

Возвратите стандартное отклонение и утвердите траекторию.

[y,y_sd,x] = sim(sys,z1);

Загрузите данные об оценке и оцените модель в пространстве состояний.

load iddata1 z1
sys = ssest(z1,2);

Создайте набор опции симуляции и задайте начальные состояния.

opt = simOptions('InitialCondition',[1;2]);

Задайте ковариацию начальных состояний.

opt.X0Covariance = [0.1 0; 0 0.1];

Вычислите стандартные отклонения моделируемого ответа, y_sd, и утвердите траекторию, x_sd.

[y,y_sd,x,x_sd] = sim(sys,z1,opt);

Получите идентифицированную модель.

load iddata2 z2
sys = tfest(z2,3);

sys является моделью idtf, которая инкапсулирует передаточную функцию третьего порядка, оцененную для результатов измерений z2.

Моделируйте модель.

sim(sys,z2)

Моделируйте одно вход одно вывод нелинейная модель ARX вокруг известной точки равновесия с уровнем на входе 1 и уровнем на выходе 10.

Загрузите выборочные данные.

load iddata2

Оцените нелинейную модель ARX от данных.

M = nlarx(z2,[2 2 1],'treepartition');

Оцените текущие состояния основанных на модели на прошлых данных. Задайте столько же прошлых выборок, сколько существуют задержки в переменных ввода и вывода (2 здесь).

x0 = data2state(M,struct('Input',ones(2,1),'Output',10*ones(2,1)));

Моделируйте модель с помощью начальных состояний, возвращенных data2state.

opt = simOptions('InitialCondition',x0);
sim(M,z2,opt)

Продолжите симуляцию нелинейной модели ARX от конца предыдущей запущенной симуляции.

Оцените нелинейную модель ARX от данных.

load iddata2
M = nlarx(z2,[2 2 1],'treepartition');

Моделируйте модель с помощью первой половины входных данных z2. Запустите симуляцию с нулевых начальных состояний.

u1 = z2(1:200,[]); 
opt1 = simOptions('InitialCondition','zero');
ys1 = sim(M,u1,opt1);

Запустите другую симуляцию с помощью второй половины входных данных z2. Используйте те же состояния модели от конца первой симуляции.

u2 = z2(201:end,[]);

Установить начальные состояния для второй симуляции правильно, входа u1 пакета и вывода ys1 от первой симуляции в один объект iddata. Передайте эти данные как начальные условия для следующей симуляции.

firstSimData = [ys1,u1];
opt2 = simOptions('InitialCondition',firstSimData);
ys2 = sim(M,u2,opt2);

Проверьте эти две симуляции по сравнению с полной симуляцией с помощью всех входных данных z2. Во-первых, извлеките полный набор входных данных.

uTotal = z2(:,[]); 
opt3 = simOptions('InitialCondition','zero'); 
ysTotal = sim(M,uTotal,opt3);

Постройте эти три ответа ys1, ys2 и ysTotal., ys1 должен быть равен первой половине ysTotal. ys2 должен быть равен второй половине ysTotal.

plot(ys1,'b',ys2,'g',ysTotal,'k*')

График показывает, что эти три ответа ys1, ys2 и ysTotal накладываются как ожидалось.

Оцените начальные состояния модели M, таким образом, что, ответ лучше всего совпадает с выводом в наборе данных z2.

Загрузите выборочные данные.

load iddata2;

Оцените нелинейную модель ARX от данных.

M = nlarx(z2,[4 3 2],wavenet('NumberOfUnits',20));

Оцените, что начальные состояния M лучше всего приспосабливают z2.y в моделируемом ответе.

x0 = findstates(M,z2,Inf);

Моделируйте модель.

opt = simOptions('InitialCondition',x0);
ysim = sim(M,z2.u,opt);

Сравните моделируемый образцовый вывод ysim с выходным сигналом в z2.

time = z2.SamplingInstants;
plot(time,ysim,time,z2.y,'.')

Запустите симуляцию модели около устойчивого состояния, где входом, как известно, является 1, но вывод неизвестен.

Загрузите выборочные данные.

load iddata2

Оцените нелинейную модель ARX от данных.

M = nlarx(z2,[4 3 2],'wavenet');

Определите значения состояния равновесия для входа 1 и неизвестного целевого вывода.

x0 = findop(M,'steady',1, NaN);

Моделируйте модель с помощью начальных состояний x0.

opt = simOptions('InitialCondition',x0);
sim(M,z2.u,opt)

Загрузите выборочные данные.

load iddata2

Создайте модель Хаммерстайна-Винера.

M = nlhw(z2,[4 3 2],[],'pwlinear');

Вычислите установившиеся значения рабочей точки, соответствующие уровню на входе 1 и неизвестного уровня на выходе.

x0 = findop(M,'steady',1,NaN);

Моделируйте модель с помощью предполагаемых начальных состояний.

opt = simOptions('InitialCondition',x0);
sim(M,z2.u)

Серийные данные времени загрузки и оценка модель AR с помощью подхода наименьших квадратов.

load iddata9 z9
sys = ar(z9,6,'ls');

Для данных временных рядов задайте желаемую продолжительность симуляции, N = 200 использований набора входных данных N-0.

data = iddata([],zeros(200,0),z9.Ts);

Установите начальные условия, чтобы использовать начальные выборки временных рядов как исторические выходные выборки.

IC = struct('Input',[],'Output',z9.y(1:6));
opt = simOptions('InitialCondition',IC);

Моделируйте модель.

sim(sys,data,opt)

Используйте исторические данные ввода - вывода в качестве прокси для начальных условий при симуляции модели. Вы сначала моделируете использование команды sim и задаете исторические данные с помощью набора опции simOptions. Вы затем воспроизводите моделируемый вывод путем ручного отображения исторических данных с начальными состояниями.

Загрузите 2D вход, набор данных с одним выходом.

load iddata7 z7

Идентифицируйте модель в пространстве состояний пятого порядка с помощью данных.

sys = n4sid(z7,5);

Разделите набор данных в две части.

zA = z7(1:15);
zB = z7(16:end);

Моделируйте модель с помощью входного сигнала в zB.

uSim = zB;

Симуляция требует начальных условий. Значения сигналов в zA являются историческими данными, то есть, они - значения ввода и вывода в течение времени, сразу предшествующего данным в zB. Используйте zA в качестве прокси для необходимых начальных условий.

IO = struct('Input',zA.InputData,'Output',zA.OutputData);
opt = simOptions('InitialCondition',IO);

Моделируйте модель.

ysim = sim(sys,uSim,opt);

Теперь воспроизведите вывод путем ручного отображения исторических данных с начальными состояниями sys. Для этого используйте команду data2state.

xf = data2state(sys,zA);

xf содержит значения состояния sys в то время момент сразу после новой выборки данных в zA.

Моделируйте систему с помощью xf в качестве начальных состояний.

opt2 = simOptions('InitialCondition',xf);
ysim2 = sim(sys,uSim,opt2);

Постройте вывод команды sim ysim и вручную вычисленные результаты ysim 2.

plot(ysim,'b',ysim2,'--r')

ysim2 совпадает с ysim.