Выбор метода адаптации

Вы задаете алгоритм с помощью Adaptation Method выпадающий список в диалоговом окне Function Block Parameters адаптивного блока интерполяционной таблицы. В этом разделе рассматриваются детали этих алгоритмов.

Демонстрационное среднее значение

Sample mean вводит среднее значение выборок выходных данных n и задан как:

y^(n)=1ni=1ny(i)

где y (i) является измерением ith, собранным в конкретной ячейке. Для каждого входные данные u, демонстрационное среднее значение в соответствующей ячейке обновляется с помощью измерения выходных данных, y. Вместо того, чтобы накопить выборки n данных для каждой ячейки, рекурсивное отношение используется, чтобы вычислить демонстрационное среднее значение. Рекурсивное выражение получено следующим уравнением:

y^(n)=1n[i=1n1y(i)+y(n)]=n1n[1n1i=1n1y(i)]+1ny(n)=n1ny^(n1)+1ny(n)

где y (n) является выборкой данных nth.

Определение априорной ошибки оценки как e(n)=y(n)y^(n1), рекурсивное отношение может быть записано как:

y^(n)=y^(n1)+1ne(n)

где n1 и первоначальная оценка y^(0) произвольно.

В этом выражении, только количество выборок, n, для каждой ячейки — а не выборок данных n — хранится в памяти.

Демонстрационное среднее значение с упущением

Демонстрационное Среднее значение метода адаптации имеет бесконечную память. Прошлые выборки данных имеют тот же вес как итоговая выборка в вычислении демонстрационного среднего значения. Sample mean (with forgetting) использует алгоритм с фактором упущения или Adaptation gain, который помещает больше веса на более свежие выборки. Этот алгоритм обеспечивает робастность против начальных переходных процессов ответа объекта и корректируемой скорости адаптации. Sample mean (with forgetting) задан как:

y^(n)=1i=1nλnii=1nλniy(i)=1i=1nλni[i=1n1λniy(i)+y(n)]=s(n1)s(n)y^(n1)+1s(n)y(n)

где λ[0,1] Adaptation gain и s(k)=i=1kλni.

Определение априорной ошибки оценки как e(n)=y(n)y^(n1), где n1 и первоначальная оценка y^(0) произвольно, рекурсивное отношение может быть записано как:

y^(n)=y^(n1)+1s(n)e(n)=y^(n1)+1λ1λne(n)

Маленькое значение λ приводит к более быстрой адаптации. Значение 0 указывает на короткую память (последние данные становятся табличным значением), и значение 1 указывает на хорошую память (усредните все данные, полученные в ячейке).

Для просмотра документации необходимо авторизоваться на сайте