Опция установлена для n4sid
opt = n4sidOptions
opt = n4sidOptions(Name,Value)
создает набор опций по умолчанию для opt
= n4sidOptionsn4sid
.
создает набор опции с опциями, заданными одним или несколькими opt
= n4sidOptions(Name,Value
)Name,Value
парные аргументы.
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
.
'InitialState'
— Обработка начальных состояний'estimate'
(значение по умолчанию) | 'zero'
Обработка начальных состояний во время оценки в виде одного из следующих значений:
'zero'
— Начальное состояние обнуляется.
'estimate'
— Начальное состояние обработано как независимый параметр оценки.
'N4Weight'
— Схема Weighting используется в сингулярном разложении N4SID
алгоритм'auto'
(значение по умолчанию) | 'MOESP'
| 'CVA'
| 'SSARX'
Схема Weighting использовала в сингулярном разложении алгоритмом N4SID в виде одного из следующих значений:
'MOESP'
— Использует алгоритм MOESP Verhaegen [2].
'CVA'
— Использует канонический алгоритм варьируемой величины Larimore [1].
Оценка с помощью данных частотного диапазона всегда использует 'CVA'
.
'SSARX'
— Метод идентификации подпространства, который использует ARX основанный на оценке алгоритм, чтобы вычислить взвешивание.
Определение этой опции позволяет объективные оценки при использовании данных, которые собраны в операции с обратной связью. Для получения дополнительной информации об алгоритме, см. [4].
'auto'
— Функция оценки выбирает между MOESP
, CVA
и SSARX
алгоритмы.
'N4Horizon'
— Передайте - и горизонты обратного предсказания, используемые N4SID
алгоритм'auto'
(значение по умолчанию) | векторный [r sy su]
| k
- 3 матрицыПередайте - и горизонты обратного предсказания, используемые алгоритмом N4SID в виде одного из следующих значений:
Вектор-строка с тремя элементами — [r sy su]
, где r
максимальный прямой горизонт предсказания, использующий до r
неродной вперед предикторы. sy
количество мимо выходных параметров и su
количество прошлых входных параметров, которые используются в предсказаниях. Смотрите страницы 209 и 210 в [3] для получения дополнительной информации. Эти числа могут иметь существенное влияние на качество получившейся модели, и нет никаких простых правил для выбора их. Создание 'N4Horizon'
k
- 3 матрицы означают что каждая строка 'N4Horizon'
попробован, и значение, которое дает лучшее (предсказание), подгонка к данным выбрана. k
количество предположений [r sy su]
комбинации. Если вы задаете N4Horizon как отдельный столбец, r = sy = su
используется.
'auto'
— Программное обеспечение использует Критерий информации о Akaike (AIC) в выборе sy
и su
.
'Focus'
— Ошибка, которая будет минимизирована'prediction'
(значение по умолчанию) | 'simulation'
Ошибка, которая будет минимизирована в функции потерь во время оценки в виде разделенной запятой пары, состоящей из 'Focus'
и одно из следующих значений:
'prediction'
— Один шаг вперед ошибка предсказания между измеренными и предсказанными выходными параметрами минимизирован во время оценки. В результате оценка фокусируется на создании хорошей модели предиктора.
'simulation'
— Ошибка симуляции между измеренными и симулированными выходными параметрами минимизирована во время оценки. В результате оценка фокусируется на создании подходящего варианта для симуляции ответа модели с текущими входными параметрами.
Focus
опция может быть интерпретирована, когда взвешивание просачивается функция потерь. Для получения дополнительной информации смотрите Функцию потерь и Метрики качества Модели.
'WeightingFilter'
— Взвешивание предварительного фильтра[]
(значение по умолчанию) | вектор | матрица | массив ячеек | линейная системаВзвешивание предварительного фильтра применилось к функции потерь, которая будет минимизирована во время оценки. Изучать эффект WeightingFilter
на функции потерь смотрите Функцию потерь и Метрики качества Модели.
Задайте WeightingFilter
как одно из следующих значений:
[]
— Никакой предварительный фильтр взвешивания не используется.
Полосы пропускания — Задают вектор-строку или матрицу, содержащую значения частоты, которые задают желаемые полосы пропускания. Вы выбираете диапазон частот, где подгонка между предполагаемой моделью и данными об оценке оптимизирована. Например, [wl,wh]
где wl
и wh
представляйте нижние и верхние пределы полосы пропускания. Для матрицы с несколькими строками, задающими полосы пропускания частоты, [w1l,w1h;w2l,w2h;w3l,w3h;...]
, алгоритм оценки использует объединение частотных диапазонов, чтобы задать полосу пропускания оценки.
Полосы пропускания выражаются в rad/TimeUnit
для данных временного интервала и в FrequencyUnit
для данных частотного диапазона, где TimeUnit
и FrequencyUnit
время и единицы частоты данных об оценке.
Фильтр SISO — Задает линейный фильтр одного входа одного выхода (SISO) одним из следующих способов:
Модель SISO LTI
{A,B,C,D}
формат, который задает матрицы пространства состояний фильтра с тем же шагом расчета как данные об оценке.
{numerator,denominator}
формат, который задает числитель и знаменатель фильтра как передаточная функция с тем же шагом расчета как данные об оценке.
Эта опция вычисляет функцию взвешивания как продукт фильтра и входного спектра, чтобы оценить передаточную функцию.
Взвешивание вектора — Применимый для данных частотного диапазона только. Задайте вектор-столбец весов. Этот вектор должен иметь ту же длину как вектор частоты набора данных, Data.Frequency
. Каждый ответ ввода и вывода в данных умножается на соответствующий вес на той частоте.
'EnforceStability'
— Управляйте, осуществить ли устойчивость моделиfalse
(значение по умолчанию) | true
Управляйте, осуществить ли устойчивость предполагаемой модели в виде разделенной запятой пары, состоящей из 'EnforceStability'
и любой true
или false
.
Типы данных: логический
'EstimateCovariance'
— Управляйте, сгенерировать ли данные о ковариации параметраtrue
(значение по умолчанию) | false
Средства управления, сгенерированы ли данные о ковариации параметра в виде true
или false
.
Если EstimateCovariance
true
, затем используйте getcov
выбирать ковариационную матрицу из предполагаемой модели.
'Display'
— Задайте, отобразить ли прогресс оценки'off'
(значение по умолчанию) | 'on'
Задайте, отобразить ли прогресс оценки в виде одного из следующих значений:
'on'
— Информация о структуре модели и результатах оценки отображена в окне средства просмотра прогресса.
'off'
— Никакая информация о прогрессе или результатах отображена.
'InputOffset'
— Удаление смещения от входных данных временного интервала во время оценки[]
(значение по умолчанию) | вектор положительных целых чисел | матрицаУдаление смещения от входных данных временного интервала во время оценки в виде разделенной запятой пары, состоящей из 'InputOffset'
и одно из следующего:
Вектор-столбец положительных целых чисел длины Nu, где Nu является количеством входных параметров.
[]
— Не указывает ни на какое смещение.
Nu-by-Ne матрица — Для данных мультиэксперимента, задайте InputOffset
как Nu-by-Ne матрица. Nu является количеством входных параметров, и Ne является количеством экспериментов.
Каждая запись задана InputOffset
вычтен из соответствующих входных данных.
'OutputOffset'
— Удаление смещения от выходных данных временного интервала во время оценки[]
(значение по умолчанию) | вектор | матрицаУдаление смещения от выходных данных временного интервала во время оценки в виде разделенной запятой пары, состоящей из 'OutputOffset'
и одно из следующего:
Вектор-столбец длины Ny, где Ny является количеством выходных параметров.
[]
— Не указывает ни на какое смещение.
Ny-by-Ne матрица — Для данных мультиэксперимента, задайте OutputOffset
как Ny-by-Ne матрица. Ny является количеством выходных параметров, и Ne является количеством экспериментов.
Каждая запись задана OutputOffset
вычтен из соответствующих выходных данных.
'OutputWeight'
— Взвешивание ошибок предсказания по мультивыходным оценкам[]
(значение по умолчанию) | 'noise'
| положительная полуопределенная симметрическая матрицаВзвешивание ошибок предсказания по мультивыходным оценкам в виде одного из следующих значений:
'noise'
— Минимизировать , где E представляет ошибку предсказания и N
количество выборок данных. Этот выбор оптимален в статистическом смысле и приводит к оценкам наибольшего правдоподобия в случае, если никакие данные не доступны об отклонении шума. Эта опция использует инверсию предполагаемого шумового отклонения как функция взвешивания.
Положительная полуопределенная симметрическая матрица (W
) — Минимизируют трассировку взвешенной ошибочной матрицы предсказания trace(E'*E*W/N)
где:
E
матрица ошибок предсказания, с одним столбцом для каждого выхода. W
положительная полуопределенная симметрическая матрица размера, равного количеству выходных параметров. Используйте W
задавать относительную важность выходных параметров в нескольких - выходные модели или надежность соответствующих данных.
N
количество выборок данных.
[]
— Программное обеспечение выбирает между 'noise'
или использование единичной матрицы для W
.
Эта опция важна только для мультивыходных моделей.
'Advanced'
— Дополнительные расширенные настройкиДополнительные расширенные настройки в виде структуры с полем MaxSize
. MaxSize
задает максимальное количество элементов в сегменте, когда данные ввода - вывода разделены в сегменты.
MaxSize
должно быть положительное целое число.
Значение по умолчанию: 250000
opt
— Опция установлена для n4sid
n4sidOptions
опция установленаОпция установлена для n4sid
, возвращенный как n4sidOptions
опция установлена.
opt = n4sidOptions;
Создайте набор опций для n4sid
использование 'zero'
опция, чтобы инициализировать состояние. Установите Display
к 'on'
.
opt = n4sidOptions('InitialState','zero','Display','on');
В качестве альтернативы используйте запись через точку, чтобы установить значения opt
.
opt = n4sidOptions; opt.InitialState = 'zero'; opt.Display = 'on';
Названия некоторых опций оценки и анализа были изменены в R2018a. Все еще работают предшествующие имена. Для получения дополнительной информации см., что информация о версии R2018a Переименовывает Опций Оценки и Анализа.
[1] Larimore, W.E. “Канонический анализ варьируемой величины в идентификации, фильтрации и адаптивном управлении”. Продолжения 29-й Конференции по IEEE по Решению и Управлению, стр 596–604, 1990.
[2] Verhaegen, M. “Идентификация детерминированной части моделей в пространстве состояний MIMO”. Automatica, Издание 30, 1994, стр 61–74.
[3] Ljung, L. System Identification: теория для пользователя. Верхний Сэддл-Ривер, NJ: PTR Prentice Hall, 1999.
[4] Янссон, M. “Идентификация подпространства и моделирование ARX”. 13-й Симпозиум IFAC по System Identification, Роттердаму, Нидерланды, 2003.
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.