Переведите ковариацию параметра через операции преобразования моделей
sys_new = translatecov(fcn,sys)
sys_new = translatecov(fcn,Input1,...,InputN)
sys_new = translatecov(fcn,sys)sys в sys_new = fcn(sys), и переводит ковариацию параметра sys к ковариации параметра преобразованной модели. fcn функция преобразования, которую вы задаете. Команда вычисляет ковариацию параметра sys_new путем применения формулы Приближения Гаусса. Чтобы просмотреть переведенную ковариацию параметра, используйте getcov.
Применение преобразований моделей непосредственно не всегда переводит ковариацию параметра исходной модели к той из преобразованной модели. Например, d2c(sys) не переводит ковариацию параметра sys. В отличие от этого translatecov(@(x)d2c(x),sys) производит преобразованную модель, которая имеет те же коэффициенты как d2c(sys) и имеет переведенную ковариацию параметра sys.
sys_new = translatecov(fcn,Input1,...,InputN)sys_new = fcn(Input1,...,InputN) и его ковариация параметра. По крайней мере один из N входные параметры должны быть линейной моделью с информацией о ковариации параметра.
|
Функция преобразования моделей, определенный функцией указатель. Для одно функций ввода,
Для мультифункций ввода, |
|
Линейная модель с информацией ковариации параметра, указанной как один из следующих типов модели: Модель должна содержать информацию о ковариации параметра, которая является |
|
Несколько входных параметров к переводу функционируют |
|
Модель, следующая из операции преобразования. Модель включает информацию о ковариации параметра. |
Преобразуйте предполагаемую модель передаточной функции в модель в пространстве состояний, также переводя предполагаемую ковариацию параметра.
Оцените модель передаточной функции.
load iddata1
sys1 = tfest(z1,2);Преобразуйте предполагаемую модель в форму пространства состояний, также переводя предполагаемую ковариацию параметра.
sys2 = translatecov(@(x)idss(x),sys1);
Если вы преобразуете модель передаточной функции в форму пространства состояний непосредственно, предполагаемая ковариация параметра потеряна (выход getcov isempty.
sys3 = idss(sys1); getcov(sys3)
ans =
[]
Просмотрите ковариацию параметра в предполагаемых и конвертированных моделях.
covsys1 = getcov(sys1); covsys2 = getcov(sys2);
Сравните области уверенности.
h = bodeplot(sys1,sys2); showConfidence(h,2);
Доверительные границы для sys1 перекрытия с sys2.
Конкатенация 3 одно выходов моделирует таким образом, что данные о ковариации из этих 3 моделей объединяются, чтобы произвести данные о ковариации для получившейся модели.
Создайте модель в пространстве состояний.
a = [-1.1008 0.3733;0.3733 -0.9561];
b = [0.7254 0.7147;-0.0631 -0.2050];
c = [-0.1241 0; 1.4897 0.6715; 1.4090 -1.2075];
d = [0 1.0347; 1.6302 0; 0.4889 0];
sys = idss(a,b,c,d,'Ts',0);Сгенерируйте мультивыходные данные об оценке.
t = (0:0.01:0.99)';
u = randn(100,2);
y = lsim(sys,u,t,'zoh');
y = y + rand(size(y))/10;
data = iddata(y,u,0.01);Оцените отдельную модель для каждого выходного сигнала.
m1 = ssest(data(:,1,:),2,'feedthrough',true(1,2), 'DisturbanceModel', 'none'); m2 = ssest(data(:,2,:),2,'feedthrough',true(1,2), 'DisturbanceModel', 'none'); m3 = ssest(data(:,3,:),2,'feedthrough',true(1,2), 'DisturbanceModel', 'none');
Объедините предполагаемые модели, также переводя информацию о ковариации.
f = @(x,y,z)[x;y;z]; M2 = translatecov(f, m1, m2, m3);
Ковариация параметра не пуста.
getcov(M2, 'factors')ans = struct with fields:
R: [36x36 double]
T: [24x36 double]
Free: [90x1 logical]
Если вы комбинируете предполагаемые модели в одну модель с 3 выходами непосредственно, информация о ковариации потеряна (выход getcov isempty.
M1 = [m1;m2;m3]; getcov(M1)
ans =
[]
Сравните доверительные границы.
h = bodeplot(M2, m1, m2, m3); showConfidence(h);
Доверительные границы для M2 наложитесь с теми из m1, m2 и m3 модели на их соответствующих осях графика.
Рассмотрите модель обратной связи с обратной связью, состоящую из объекта и контроллера. Переведите ковариацию параметра объекта к модели обратной связи с обратной связью.
Оцените объект как модель в пространстве состояний четвертого порядка с помощью данных об оценке z1.
load iddata1 z1 Plant = ssest(z1,4);
Plant содержит информацию о ковариации параметра.
Создайте контроллер как модель нулей, полюсов и усиления непрерывного времени с нулями, полюсами, и получите равный-2,-10, 5, соответственно.
Controller = zpk(-2,-10,5);
Задайте функцию преобразования, чтобы сгенерировать модель в пространстве состояний обратной связи с обратной связью.
fcn = @(x,y)idss(feedback(x,y));
Переведите ковариацию параметра объекта к модели обратной связи с обратной связью.
sys_new = translatecov(fcn,Plant,Controller);
sys_new содержит переведенную информацию о ковариации параметра.
Постройте частотную характеристику преобразованной модели sys_new, и просмотрите область уверенности ответа.
h = bodeplot(sys_new); showConfidence(h);
График показывает эффект неопределенности в Plant на ответе с обратной связью.
Если вы получили sys посредством оценки и имеют доступ к данным об оценке, можно использовать обновление нулевой итерации, чтобы повторно вычислить ковариацию параметра. Например:
load iddata1
m = ssest(z1,4);
opt = ssestOptions
opt.SearchOptions.MaxIterations = 0;
m_new = ssest(z1,m2,opt)
Вы не можете запустить обновление нулевой итерации в следующих случаях:
Если MaxIterations опция, которая зависит от SearchMethod опция, не доступно.
Для некоторой модели и типов данных. Например, непрерывное время idpoly модель с помощью данных временного интервала.
translatecov использует числовые возмущения отдельных параметров sys вычислить якобиан fcn(sys) параметры относительно параметров sys. translatecov затем применяет формулу Приближения Гаусса переводить ковариацию, где J якобиевская матрица. Эта операция может быть медленной для моделей, содержащих большое количество свободных параметров.