Чтобы диагностировать онлайновую оценку параметра, проверяйте следующее:
Проверяйте, что вы используете самую простую образцовую структуру, которая соответственно получает системную динамику.
Структуры модели AR и ARX являются хорошими первыми кандидатами на оценку линейных моделей. Базовые алгоритмы оценки для этих образцовых структур более просты, чем те для ARMA, ARMAX, Ошибки на выходе и структур модели Box-Jenkins. Кроме того, они более простой AR и алгоритмы ARX менее чувствительны к начальным предположениям параметра.
Более типичная оценка рекурсивных наименьших квадратов (RLS) также имеет преимущество алгоритмической простоты как оценка модели AR и ARX. RLS позволяет вам оценить параметры для более широкого класса моделей, чем ARX и AR и может включать нелинейность. Однако конфигурирование AR или структуры ARX более просто.
Рассмотрите следующее при выборе образцовой структуры:
Структуры модели AR и ARX — Если вы оцениваете модель timeseries (никакие входные параметры), попробуйте структуру модели AR. Если вы оцениваете модель ввода - вывода, попробуйте структуру модели ARX. Также попробуйте различные порядки модели этими образцовыми структурами. Эти модели оценивают систему вывод на основе переключенных временем версий входных сигналов и вывода. Например, a и параметры b системы y (t) = b1 u (t) +b2u (t-1)-a1y (t-1) могут быть оценены с помощью моделей ARX.
Для получения дополнительной информации относительно моделей AR и ARX, смотрите то, Что Полиномиальные Модели?.
Оценка RLS — Если вы оцениваете систему, которая линейна в предполагаемых параметрах, но не помещается в структуры модели AR или ARX, пробуют оценку RLS. Вы можете оценить систему вывод на основе переключенных временем версий сигналов вводов - выводов как AR и ARX, и можете также добавить нелинейные функции. Например, можно оценить параметры p1, p2 и p3 системы y (t) = p1 y (t-1) + p2 u (t-1) + p3 u (t-1) 2. Можно также оценить статические модели, такие как подходящая строкой проблема оценки параметров a и b в y (t) = a u (t) +b.
ARMA, ARMAX, Ошибка на выходе, структуры модели Box-Jenkins — Эти образцовые структуры обеспечивают больше гибкости по сравнению со структурами модели AR и ARX, чтобы получить динамику линейных систем. Например, модель ARMAX имеет более динамические элементы (параметры полинома C) по сравнению с ARX для оценки шумовых моделей. Эта гибкость может помочь, когда AR и ARX не достаточны, чтобы получить системную динамику интереса.
Определение начального параметра и значений ковариации параметра особенно рекомендуется для этих образцовых структур. Это вызвано тем, что метод оценки, используемый для этих образцовых структур, может застрять в локальные оптимумы. Для получения дополнительной информации об этих моделях, смотрите то, Что Полиномиальные Модели?.
Проверяйте порядок своей заданной образцовой структуры. Вы можете под подгонкой (порядок модели является слишком низким), или сверхподгонка (порядок модели слишком высок), данные путем выбора неправильного порядка модели.
Идеально, вы хотите модель самую низкоуровневую, которая соответственно получает вашу системную динамику. Под подбором кривой препятствует тому, чтобы алгоритмы нашли хорошую подгонку к модели, даже если все другие настройки оценки хороши, и существует хорошее возбуждение системной динамики. Сверхподбор кривой обычно приводит к высокой чувствительности параметров к шуму измерения или выбору входных сигналов.
Используйте входные параметры, которые волнуют системную динамику соответственно. Простые входные параметры, такие как вход шага, обычно не обеспечивают достаточное возбуждение и хороши для оценки только очень ограниченного количества параметров. Одно решение состоит в том, чтобы ввести дополнительные входные возмущения.
Данные об оценке, которые содержат дефициты, могут привести к плохим результатам оценки. Дефициты данных включают дрейф, смещают, недостающие выборки, поведение равновесия, сезонность и выбросы. Рекомендуется, чтобы вы предварительно обработали данные об оценке по мере необходимости.
Для получения информации о том, как предварительно обработать данные об оценке в Simulink®, смотрите, Предварительно обрабатывают Онлайновые Данные об Оценке Параметра в Simulink.
Для онлайновой оценки параметра в командной строке вы не можете использовать инструменты предварительной обработки в System Identification Toolbox™. Эти инструменты поддерживают только данные, заданные, когда iddata возражает. Реализуйте код предварительной обработки как требуется вашим приложением. Чтобы смочь сгенерировать C и Код С++, используйте команды, поддержанные MATLAB® Coder™. Для списка этих команд смотрите Функции и Объекты, Поддержанные для Генерации кода C/C++ — Список Категорий (MATLAB Coder).
Проверяйте исходные предположения, которые вы задаете для значений параметров и начальной ковариационной матрицы параметра. Определение начальных предположений параметра и начальной ковариационной матрицы параметра рекомендуется. Эти исходные предположения могли быть основаны на вашем знании системы или быть получены через оффлайновую оценку.
Начальная ковариация параметра представляет неуверенность в вашем предположении для начальных значений. Когда вы уверены в своих начальных предположениях параметра, и если начальные предположения параметра намного меньше, чем начальное значение ковариации параметра по умолчанию, 10000, задают меньшую начальную ковариацию параметра. Как правило, начальная ковариация параметра по умолчанию является слишком большой относительно начальных значений параметров. Результат состоит в том, что исходные предположения высказаны меньше важности во время оценки.
Начальный параметр и предположения ковариации параметра особенно важны для ARMA, ARMAX, Ошибки на выходе и моделей Box-Jenkins. Плохой или никакие предположения может привести к алгоритму, находящему локальную переменную минимумы целевой функции в пространстве параметров, которое может привести к плохой подгонке.
Проверяйте, что вы задали соответствующие настройки для алгоритма оценки. Например, для забывающего факторного алгоритма, выберите фактор упущения, λ, тщательно. Если λ является слишком маленьким, алгоритм оценки принимает, что значение параметров отличается быстро со временем. С другой стороны, если λ является слишком большим, алгоритм оценки принимает, что значение параметров не отличается очень со временем. Для получения дополнительной информации относительно алгоритмов оценки, смотрите Рекурсивные алгоритмы для Онлайновой Оценки Параметра.