Загрузите данные об оценке.

load iddata1 z1

z1 является объектом iddata, который хранит данные об оценке ввода - вывода.

Оцените модель в пространстве состояний третьего порядка.

sys = ssest(z1,3);

Моделируйте ответ предполагаемой модели с помощью Метода Монте-Карло и введите данные об оценке и постройте ответ.

simsd(sys,z1);

Синие линейные графики моделируемый ответ исходной номинальной модели sys. Зеленые строки строят моделируемый ответ 10 встревоженной реализации sys.

Моделируйте предполагаемую модель с помощью Метода Монте-Карло для конкретного количества нарушений в работе модели.

Оцените модель в пространстве состояний второго порядка с помощью данных об оценке. Получите sys в канонической форме наблюдаемости.

load iddata3 z3
sys = ssest(z3,2,'Form','canonical');

Вычислите моделируемый ответ предполагаемой модели с помощью Метода Монте-Карло и постройте ответы. Задайте количество случайных нарушений в работе модели как 20.

N = 20;
simsd(sys,z3,N)

Синие линейные графики моделируемый ответ исходной номинальной модели sys. Зеленые строки строят моделируемый ответ 20 встревоженной реализации sys.

Можно также получить моделируемый ответ для каждого возмущения sys. Никакой график не сгенерирован, когда вы используете этот синтаксис.

y = simsd(sys,z3,N);

y является моделируемым ответом, возвращенным как массив ячеек N +1 элемент. y{1} содержит номинальный ответ для sys. Остающиеся элементы содержат моделируемый ответ для встревоженной реализации N.

Серийные данные времени загрузки.

load iddata9 z9

z9 является объектом iddata с 200 выборками выходных данных и никакими входными параметрами.

Оцените шестой порядок модель AR с помощью алгоритма наименьших квадратов.

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

Для данных временных рядов задайте желаемую продолжительность симуляции, Ns = 200 использований Ns-by-0 набор входных данных.

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

Установите начальные условия, чтобы использовать начальные выборки временных рядов как исторические выходные выборки. Прошлые данные сопоставлены с начальными состояниями каждой встревоженной системы индивидуально.

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

Моделируйте модель с помощью Метода Монте-Карло и заданных начальных условий. Задайте количество случайных нарушений в работе модели как 20.

simsd(sys,data,20,opt)

Синие линейные графики моделируемый ответ исходной номинальной модели sys. Зеленые строки строят моделируемый ответ 20 встревоженной реализации sys.

Загрузите данные и разделите их в оценку и данные моделирования.

load iddata3
ze = z3(1:200);
zsim = z3(201:256);

Оцените модель в пространстве состояний второго порядка sys с помощью данных об оценке. Укажите, что никакие данные о ковариации параметра не сгенерированы. Получите sys в канонической форме наблюдаемости.

opt = ssestOptions('EstimateCovariance',false);
sys = ssest(ze,2,'Form','canonical',opt);

Установите начальные условия для симуляции предполагаемой модели. Задайте значения начального состояния x0 для двух состояний и также ковариации значений начального состояния x0Cov. Ковариация задана как матрица 2 на 2, потому что существует два состояния.

x0 = [1.2; -2.4];
x0Cov = [0.86 -0.39; -0.39 1.42];
opt = simsdOptions('InitialCondition',x0,'X0Covariance',x0Cov);

Моделируйте модель с помощью Метода Монте-Карло и заданных начальных условий. Задайте количество случайных нарушений в работе модели как 100.

simsd(sys,zsim,100,opt)

Синие линейные графики моделируемый ответ исходной номинальной модели sys. Зеленые строки строят моделируемый ответ 100 встревоженной реализации sys. Программное обеспечение использует различную реализацию начальных состояний, чтобы моделировать каждую встревоженную модель. Начальные состояния чертятся от Распределения Гаусса со средним InitialCondition и ковариацией X0Covariance.

Загрузите данные об оценке.

load iddata1 z1

z1 является объектом idddata, который хранит 300 выборок данных об оценке ввода - вывода.

Оцените модель в пространстве состояний второго порядка с помощью данных об оценке.

sys = ssest(z1,2);

Создайте набор опции по умолчанию для simsd и измените набор опции, чтобы добавить шум.

opt = simsdOptions;
opt.AddNoise = true;

Вычислите моделируемый ответ предполагаемой модели с помощью Метода Монте-Карло. Задайте количество случайных нарушений в работе модели как 20 и моделируйте модель с помощью заданного набора опции.

[y,y_sd] = simsd(sys,z1,20,opt);

y является моделируемым ответом, возвращенным как массив ячеек 21 элемента. y{1} содержит номинальный, бесшумный ответ для sys. Остающиеся элементы содержат моделируемый ответ для 20 встревоженной реализации sys с аддитивными воздействиями, добавленными к каждому ответу.

y_sd является предполагаемым стандартным отклонением моделируемого ответа, возвращенного как объект iddata без входных параметров. Стандартные отклонения вычисляются из 21 моделируемых выходных параметров. Чтобы получить доступ к стандартному отклонению, используйте y_sd.OutputData.