Аппроксимированная модель объекта управления мультипликативным ошибочным методом

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 забота о минимизации полной "абсолютной" пиковой ошибки, они могут произвести модель уменьшаемого порядка, пропускающую те низкие ослабленные области частоты полюсов/нулей.

Смотрите также

| | |

Похожие темы

Для просмотра документации необходимо авторизоваться на сайте