Создайте объект средства оценки нелинейности сети вейвлета
NL = wavenet
NL = wavenet(Name,Value)
NL = wavenet
NL = wavenet(Name,Value)Name,Value парные аргументы. Свойства, которые вы не задаете, сохраняют свое значение по умолчанию.
wavenet объект, который хранит средство оценки нелинейности сети вейвлета для оценки нелинейного ARX и моделей Хаммерстайна-Винера.
Используйте wavenet задавать нелинейную функцию , где y является скаляром, x является m- размерный вектор-строка из регрессоров и θ представляют 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 используемый в масштабировании и функциях вейвлета.
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- p и m- q, соответственно.
P и Q определяются анализом главных компонентов данных об оценке. Обычно, p = m. Если компоненты x в данных об оценке линейно зависимы, то p<m. Количеством столбцов Q является qQ количество компонентов x, используемого в функции вейвлета и масштабировании.
Когда используется в нелинейной модели ARX, q равно размеру NonlinearRegressors свойство idnlarx объект. Когда используется в модели Хаммерстайна-Винера, m=q=1 и Q является скаляром.
r Среднее значение вектора регрессора вычисляется из данных об оценке, заданных как 1 m вектор.
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- 1 вектор.
cs и cw – Заданный как 1 q векторы.
d Выведите смещение, заданное как скаляр.
Значение F(x) вычисляется evaluate(NL,x), где NL объект wavenet.
Для wavenet свойства объектов, смотрите Свойства.
NL = wavenet;
Исключите линейный член из расширения вейвлета.
NL.LinearTerm = 'off';Загрузите данные об оценке.
load twotankdata;Создайте iddata объект 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 iddata объект.
z = iddata(y,u,0.02,'Name','Motorized Camera','TimeUnit','s');
z iddata объект 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 iddata объект.
z = iddata(y,u,0.02,'Name','Motorized Camera','TimeUnit','s');
z iddata объект 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.
Задайте дополнительные разделенные запятой пары Name,Value аргументы. Name имя аргумента и 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 Name,Value аргументы, чтобы задать дополнительные свойства wavenet нелинейность. 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 Focus опция оценки (см., nlarxOptions) 'prediction', wavenet использует быстрый, неитеративный метод в оценке параметров [1]. Последовательные улучшения после первого использования оценки итеративный алгоритм.
Если Focus 'simulation', wavenet использует итеративный метод в оценке параметров.
Чтобы всегда использовать неитеративный или итеративный алгоритм, задайте IterativeWavenet опция nlarxOptions.
Когда используется в модели Хаммерстайна-Винера, wavenet параметры 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.