В большинстве случаев мультипликативный ошибочный метод снижения сложности модели bstmr ухаживает к связанному за относительной погрешностью между исходными моделями и моделями уменьшаемого порядка через частотный диапазон интереса, следовательно производя более точную модель уменьшаемого порядка, чем аддитивные ошибочные методы. Эта характеристика очевидна в системных моделях с низкими ослабленными полюсами.
Следующие команды иллюстрируют значение мультипликативного ошибочного метода снижения сложности модели по сравнению с любым аддитивным ошибочным типом. Безусловно, совпадающий с фазой алгоритм с помощью bstmr обеспечивает, лучшее помещаются в Диаграмму Боде.
rng(123456); G = rss(30,1,1); % random 30-state model [gr,infor] = reduce(G,'Algorithm','balance','order',7); [gs,infos] = reduce(G,'Algorithm','bst','order',7); figure(1) bode(G,'b-',gr,'r--') title('Additive Error Method') legend('Original','Reduced')
figure(2) bode(G,'b-',gs,'r--') title('Relative Error Method') legend('Original','Reduced')
Поэтому для некоторых систем с низкими ослабленными полюсами или нулями, сбалансированный стохастический метод (bstmr) производит лучшую модель уменьшаемого порядка, помещаются в те частотные диапазоны, чтобы совершить мультипликативную небольшую ошибку. Принимая во внимание, что аддитивные ошибочные методы, такие как balancmr, schurmr или hankelmr только заботятся о минимизации полной "абсолютной" пиковой ошибки, они могут произвести модель уменьшаемого порядка, пропускающую те низкие ослабленные области частоты полюсов/нулей.
balancmr | bstmr | hankelmr | schurmr
