Оцените полиномиальные модели в командной строке

 Предпосылки

Используя arx и iv4, чтобы Оценить Модели ARX

Можно оценить одно вывод и несколько - модели вывода ARX с помощью команд iv4 и arx. Для получения информации об алгоритмах смотрите, что Полином Моделирует Алгоритмы Оценки.

Можно использовать следующий общий синтаксис, чтобы и сконфигурировать и оценить модели ARX:

% Using ARX method
m = arx(data,[na nb nk],opt);
% Using IV method
m = iv4(data,[na nb nk],opt);

data является данными об оценке, и [na nb nk] задает порядки модели, как обсуждено в том, Что такое Полиномиальные Модели?.

Третий входной параметр opt содержит опции для конфигурирования оценки модели ARX, такие как обработка входные смещения и начальных условий. Можно создать и сконфигурировать набор опции opt с помощью команд iv4Options и arxOptions. Эти три входных параметра могут также сопровождаться по наименованию и пары значения, чтобы задать дополнительные образцовые атрибуты структуры, такие как InputDelay, IODelay и IntegrateNoise.

Чтобы получить модели дискретного времени, используйте данные временного интервала (объект iddata).

Примечание

Непрерывно-разовые полиномы структуры ARX не поддержаны.

Для получения дополнительной информации о проверке вы моделируете, видите Модели Проверки После Оценки.

Можно использовать pem или polyest, чтобы совершенствовать оценки параметра существующей полиномиальной модели, как описано в Совершенствовали Линейные Параметрические Модели.

Для получения дальнейшей информации об этих командах, смотрите соответствующую страницу с описанием.

Совет

Можно использовать предполагаемую модель ARX для инициализации нелинейной оценки в командной строке, которая улучшает подгонку модели. Смотрите Инициализируют Нелинейную Оценку ARX Используя Линейную Модель.

Используя polyest, чтобы оценить полиномиальные модели

Можно оценить любую полиномиальную модель с помощью итеративного метода оценки погрешности прогноза polyest. Для Гауссовых воздействий неизвестного отклонения этот метод дает оценку наибольшего правдоподобия. Получившиеся модели хранятся как объекты модели idpoly.

Используйте следующий общий синтаксис, чтобы и сконфигурировать и оценить полиномиальные модели:

m = polyest(data,[na nb nc nd nf nk],opt,Name,Value);

где data является данными об оценке. na, nb, nc, nd, nf является целыми числами, которые задают порядки модели, и nk задает входные задержки каждого входа. Для получения дополнительной информации о порядках модели, смотрите то, Что Полиномиальные Модели?.

Совет

Вы не должны создавать объект модели с помощью idpoly перед оценкой.

Если вы хотите оценить коэффициенты всех пяти полиномов, A, B, C, D, и F, необходимо задать целочисленный порядок для каждого полинома. Однако, если вы хотите задать модель ARMAX, например, которая включает только A, B, и полиномы C, необходимо установить nd и nf обнулять матрицы соответствующего размера. Для некоторых более простых настроек существуют выделенные команды оценки, такие как arx, armax, bj и oe, которые поставляют необходимую модель при помощи только необходимых порядков. Например, oe(data,[nb nf nk],opt) оценивает модель полинома структуры ошибки на выходе.

Примечание

Чтобы получить более быструю оценку моделей ARX, используйте arx или iv4 вместо polyest.

В дополнение к полиномиальным моделям, перечисленным в том, Что такое Полиномиальные Модели?, можно использовать polyest, чтобы смоделировать структуру ARARX — вызвал обобщенную модель наименьших квадратов — установкой nc=nf=0. Можно также смоделировать структуру ARARMAX — вызвал расширенную матричную модель — установкой nf=0.

Третий входной параметр, opt, содержит опции для конфигурирования оценки полиномиальной модели, такие как обработка начальных условий, входные смещения и алгоритм поиска. Можно создать и сконфигурировать набор опции opt с помощью команды polyestOptions. Эти три входных параметра могут также сопровождаться по наименованию и пары значения, чтобы задать дополнительные образцовые атрибуты структуры, такие как InputDelay, IODelay и IntegrateNoise.

Для ARMAX Поле-Jenkins и модели Output-Error — который может только быть оценен с помощью итеративного метода ошибки прогноза — используют armax, bj и команды оценки oe, соответственно. Эти команды являются версиями polyest с упрощенным синтаксисом для этих определенных образцовых структур, можно следующим образом:

m = armax(Data,[na nb nc nk]);
m = oe(Data,[nb nf nk]);
m = bj(Data,[nb nc nd nf nk]);

Подобно polyest можно задать как входные параметры набор опции, сконфигурированный с помощью команд armaxOptions, oeOptions и bjOptions для средств оценки armax, oe и bj соответственно. Можно также использовать имя и пары значения, чтобы сконфигурировать дополнительные образцовые атрибуты структуры.

Совет

Если ваши данные выбираются быстро, они могут помочь применить фильтр lowpass к данным прежде, чем оценить модель или задать частотный диапазон для свойства WeightingFilter во время оценки. Например, к модели только данные в частотном диапазоне 0-10 рад/с, используйте свойство WeightingFilter, можно следующим образом:

opt = oeOptions('WeightingFilter',[0 10]);
m = oe(Data, [nb nf nk], opt);

Для получения дополнительной информации о проверке вашей модели, см. Модели Проверки После Оценки.

Можно использовать pem или polyest, чтобы совершенствовать оценки параметра существующей полиномиальной модели (любой настройки), как описано в Совершенствовали Линейные Параметрические Модели.

Для получения дополнительной информации смотрите polyest, pem и idpoly.

Связанные примеры

Больше о

Для просмотра документации необходимо авторизоваться на сайте