Вычислите неопределенность модели

Почему анализируют неопределенность модели?

В дополнение к оценке параметров модели алгоритмы тулбокса также оценивают изменчивость параметров модели, которые следуют из случайных воздействий в выходе.

Понимание изменчивости модели помогает вам изучить, насколько отличающийся ваши параметры модели были бы то, если бы вы повторили оценку с помощью различного набора данных (с той же входной последовательностью как исходный набор данных) и та же структура модели.

При проверке параметрических моделей проверяйте значения неопределенности. Большая неопределенность в параметрах может быть вызвана высокими порядками модели, несоответствующим возбуждением и плохим отношением сигнал-шум в данных.

Примечание

Можно получить данные о неопределенности модели для линейных параметрических моделей черного ящика, и и линейные и нелинейные модели серого ящика. Поддерживаемые объекты модели включают idproc, idpoly, idss, idtf, idgrey, idfrd, и idnlgrey.

Что такое ковариация модели?

Неопределенность в модели называется ковариацией модели.

Когда вы оцениваете модель, ковариационная матрица предполагаемых параметров хранится с моделью. Используйте getcov выбирать ковариационную матрицу. Используйте getpvec выбирать список параметров и их отдельной неопределенности, которая была вычислена с помощью ковариационной матрицы. Ковариационная матрица используется для расчета вся неопределенность в выходе модели, Диаграммах Боде, остаточных графиках и нулевых полюсом графиках.

Вычисление ковариационной матрицы основано на предположении, что структура модели дает правильное описание системной динамики. Для моделей, которые включают возмущение H, правильная оценка неопределенности принимает, что модель производит белые остаточные значения. Чтобы определить, можно ли доверять предполагаемым значениям неопределенности модели, выполните остаточные аналитические тесты на модели. Для получения дополнительной информации об остаточном анализе, смотрите темы на странице Residual Analysis. Если ваша модель проходит остаточные аналитические тесты, существует хороший шанс, что истинная система находится в доверительном интервале и любых результатах неопределенности параметра случайных воздействий в выходе.

Для моделей ошибки на выходе, таких как модели передаточной функции, пространство состояний с K=0 и полиномиальными моделями формы ошибки на выходе, с шумовой моделью H, зафиксированной к 1, расчет ковариационной матрицы не принимает белые остаточные значения. Вместо этого ковариация оценивается на основе предполагаемого цвета остаточных корреляций. Эта оценка шумового цвета также выполняется для моделей в пространстве состояний с K=0, который эквивалентен модели ошибки на выходе.

Типы информации о неопределенности модели

Можно просмотреть следующую информацию о неопределенности из линейных и нелинейных моделей серого ящика:

  • Неопределенность в предполагаемых параметрах.

    Введите present(model) в подсказке, где model представляет имя линейной или нелинейной модели.

  • Доверительные интервалы на линейных графиках модели, включая переходной процесс, импульсную характеристику, Предвещают, Найквист, шумовой спектр и нулевые полюсом графики.

    Доверительные интервалы вычисляются на основе изменчивости в параметрах модели. Для получения информации об отображающихся доверительных интервалах см. Определение Доверительного интервала для Определенных Графиков Модели.

  • Ковариационная матрица предполагаемых параметров в линейных моделях и нелинейных моделях серого ящика с помощью getcov.

  • Предполагаемые стандартные отклонения полиномиальных коэффициентов, полюсов/нулей или матриц пространства состояний с помощью idssdata, tfdata, zpkdata, и polydata.

  • Симулированные выходные значения для линейных моделей со стандартными отклонениями с помощью sim.

    Вызовите sim команда с выходными аргументами, где вторым выходным аргументом является предполагаемое стандартное отклонение каждого выходного значения. Например, введите [ysim,ysimsd] = sim(model,data), где ysim симулированный выход, ysimsd содержит стандартные отклонения на симулированном выходе и data данные моделирования.

  • Выполните анализ Монте-Карло с помощью rsample сгенерировать случайную выборку идентифицированной модели во вселенной области веры. Массив идентифицированных систем той же структуры как входная система возвращен. Параметры возвращенных моделей встревожены об их номинальной стоимости способом, который сопоставим с ковариацией параметра.

  • Симулируйте эффект неопределенности параметра на ответе модели с помощью simsd.

Определение доверительного интервала для определенных графиков модели

Можно отобразить доверительный интервал на следующих типах графика:

Постройте типДоверительный интервал соответствует области значений...Больше информации об отображающемся доверительном интервале
Симулированный и предсказанный ВыходВыходные значения с определенной вероятностью того, чтобы быть фактическим выходом системы.Выходные графики модели
Остаточные значенияОстаточные значения с определенной вероятностью того, чтобы быть статистически незначительным для системы. Графики остаточных значений
Пошлите импульсы и продвиньтесьЗначения ответа с определенной вероятностью того, чтобы быть фактическим ответом системы.Пошлите импульсы и продвиньтесь графики
Частотная характеристикаЗначения ответа с определенной вероятностью того, чтобы быть фактическим ответом системы.Графики частотных характеристик
Шумовой спектрЗначения спектра мощности с определенной вероятностью того, чтобы быть фактическим шумовым спектром системы.Шумовые графики спектра
Полюса и нулиПолюс или нулевые значения с определенной вероятностью того, чтобы быть фактическим полюсом или нулем системы. Нулевые полюсом графики
Для просмотра документации необходимо авторизоваться на сайте