Создайте объект средства оценки нелинейности сети вейвлета
NL = wavenet
NL = wavenet(Name,Value)
NL = wavenet
NL = wavenet(Name,Value)Name,Value. Свойства, которые вы не задаете, сохраняют свое значение по умолчанию.
wavenet является объектом, который хранит средство оценки нелинейности сети вейвлета для оценки нелинейного ARX и моделей Хаммерстайна-Винера.
Используйте wavenet, чтобы задать нелинейную функцию , где y является скаляром, x является m - размерный вектор - строка из регрессоров, и θ представляет параметры в расширении вейвлета. Функция сети вейвлета основана на следующем функциональном расширении:
Здесь,
f(z) является радиальной функцией, вызвал масштабирующуюся функцию, и z является входом к масштабирующейся функции. z является 1 q вектором - строкой. q является количеством компонентов x, используемого в функциях вейвлета и масштабировании.
g(z) является радиальной функцией, вызвал функцию вейвлета, и z является входом к функции вейвлета.
θ представляет следующие параметры средства оценки нелинейности:
P и Q — Матрицы проекции размера m-by-p и m-by-q, соответственно.
P и Q определяются анализом главных компонентов данных об оценке. Обычно, p = m. Если компоненты x в данных об оценке линейно зависят, то p<m. Количеством столбцов Q является q. q является количеством компонентов x, используемого в функции вейвлета и масштабировании.
Когда используется в нелинейной модели ARX, q равен размеру свойства NonlinearRegressors объекта idnlarx. Когда используется в модели Хаммерстайна-Винера, m=q=1 и Q скаляр.
r Среднее значение вектора регрессора вычисляется из данных об оценке, заданных как 1 m вектором.
as, bs, aw и bw — Масштабирование и параметры вейвлета, заданные как скаляры. Параметры с индексом s являются масштабными коэффициентами, и параметры с индексом w являются параметрами вейвлета.
L Заданный как p-by-1 вектор.
cs и cw – Заданный как 1 q векторами.
d Выведите смещение, заданное как скаляр.
F(x) значения вычисляется evaluate(NL,x), где NL является объектом wavenet.
Для свойств объектов wavenet смотрите Свойства.
NL = wavenet;
Исключите линейный член из расширения вейвлета.
NL.LinearTerm = 'off';Загрузите данные об оценке.
load twotankdata;Создайте объект iddata из данных об оценке.
z = iddata(y,u,0.2);
Создайте средство оценки нелинейности сети вейвлета с 5 модулями.
NL = wavenet('NumberOfUnits',5);Оцените нелинейную модель ARX.
sys = nlarx(z,[4 4 1],NL);
Загрузите данные об оценке.
load motorizedcamera;Создайте объект iddata.
z = iddata(y,u,0.02,'Name','Motorized Camera','TimeUnit','s');
z является объектом iddata с 6 входными параметрами и 2 выходными параметрами.
Задайте порядки модели.
Orders = [ones(2,2),2*ones(2,6),ones(2,6)];
Задайте различные средства оценки нелинейности для каждого выходного канала.
NL = [wavenet('NumberOfUnits',2),linear];Оцените нелинейную модель ARX.
sys = nlarx(z,Orders,NL);
Загрузите данные об оценке.
load motorizedcamera;Создайте объект iddata.
z = iddata(y,u,0.02,'Name','Motorized Camera','TimeUnit','s');
z является объектом iddata с 6 входными параметрами и 2 выходными параметрами.
Задайте порядки модели и задержки.
Orders = [ones(2,6),ones(2,6),ones(2,6)];
Задайте то же средство оценки нелинейности для каждого входного канала.
InputNL = saturation;
Задайте различные средства оценки нелинейности для каждого выходного канала.
OutputNL = [deadzone,wavenet];
Оцените модель Хаммерстайна-Винера.
sys = nlhw(z,Orders,InputNL,OutputNL);
Чтобы видеть форму предполагаемой нелинейности ввода и вывода, постройте нелинейность.
plot(sys)
Нажмите на блоки нелинейности ввода и вывода на верхней части графика видеть нелинейность.
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.
Используйте аргументы Name,Value, чтобы задать дополнительные свойства нелинейности wavenet. Например, NL= wavenet('NumberofUnits',5) создает объект средства оценки нелинейности вейвлета с пятью модулями нелинейности в расширении вейвлета.
|
Количество модулей нелинейности в расширении вейвлета, заданном как положительное целое число или одно из следующих значений:
Значение по умолчанию: | ||||||||||||||||||||||||||||||||||||
|
Включение линейного члена, заданного как одно из следующих значений:
Значение по умолчанию: | ||||||||||||||||||||||||||||||||||||
|
Параметры в расширении вейвлета, заданном как структура со следующими полями:
Параметры обычно не присваиваются непосредственно. Они оцениваются идентификационным алгоритмом ( | ||||||||||||||||||||||||||||||||||||
|
Опции, задающие начальную структуру нелинейности вейвлета, заданную как структура со следующими полями:
|
wavenet может использоваться и в Нелинейном ARX и в моделях Хаммерстайна-Винера.
Когда используется в модели Nonlinear ARX:
Если опцией оценки Focus (см., nlarxOptions) является 'prediction', wavenet использует быстрый, неитеративный метод для оценки параметров [1]. Последовательные улучшения после первого использования оценки итеративный алгоритм.
Если Focus является 'simulation', wavenet использует итеративный метод для оценки параметров.
Чтобы всегда использовать неитеративный или итеративный алгоритм, задайте опцию IterativeWavenet nlarxOptions.
Когда используется в модели Хаммерстайна-Винера, параметры wavenet определяются итеративной минимизацией.
[1] Чжан, Q. “Используя сеть вейвлета по непараметрической оценке”. Сделка IEEE на Нейронных сетях, Издании 8, Номере 2, март 1997, стр 227-236.