Оцените полином OE из данных временного интервала с помощью двух методов, чтобы задать входную задержку.

Загрузите данные об оценке.

load iddata1 z1

Установите порядки B и полиномов F nb и nf. Установите входную задержку nk к одной выборке. Вычислите модель sys.

nb = 2;
nf = 2;
nk = 1;
sys = oe(z1,[nb nf nk]);

Сравните симулированный ответ модели с измеренным выходом.

compare(z1,sys)

График показывает, что подходящий процент между симулированной моделью и данными об оценке больше 70%.

Вместо того, чтобы использовать nk, можно также использовать аргумент пары "имя-значение" 'InputDelay' задавать задержку с одной выборкой.

nk = 0;
sys1 = oe(z1,[nb nf nk],'InputDelay',1);
figure
compare(z1,sys1)

Результаты идентичны.

Можно просмотреть больше информации об оценке путем исследования idpoly свойство sys.Report.

sys.Report

ans = 
              Status: 'Estimated using OE'
              Method: 'OE'
    InitialCondition: 'zero'
                 Fit: [1x1 struct]
          Parameters: [1x1 struct]
         OptionsUsed: [1x1 idoptions.polyest]
           RandState: [1x1 struct]
            DataUsed: [1x1 struct]
         Termination: [1x1 struct]

Например, узнайте больше информации об условиях завершения.

sys.Report.Termination

ans = struct with fields:
                 WhyStop: 'Near (local) minimum, (norm(g) < tol).'
              Iterations: 3
    FirstOrderOptimality: 0.0708
                FcnCount: 7
              UpdateNorm: 1.4809e-05
         LastImprovement: 5.1744e-06

Отчет включает в себя информацию о количестве итераций и причины, которой оценка прекратила выполнять итерации.

Загрузите данные об оценке.

load oe_data1 data;

The idfrd объект data содержит частотную характеристику непрерывного времени для следующей модели:

Оцените модель.

nb = 2;
nf = 3;
sys = oe(data,[nb nf]);

Оцените качество подгонки.

compare(data,sys);

Оцените старшую модель OE из данных, собранных путем симуляции старшей системы. Определите константы регуляризации методом проб и ошибок и используйте значения в оценке модели.

Загрузите данные.

load regularizationExampleData.mat m0simdata

Оцените неупорядоченную модель OE порядка 30.

m1 = oe(m0simdata,[30 30 1]);

Получите упорядоченную модель OE путем определения значения Lambda с помощью метода проб и ошибок.

opt = oeOptions;
opt.Regularization.Lambda = 1;
m2 = oe(m0simdata,[30 30 1],opt);

Сравните выходные параметры модели с данными об оценке.

opt = compareOptions('InitialCondition','z');
compare(m0simdata,m1,m2,opt);

Упорядоченная модель m2 производит лучшую подгонку, чем неупорядоченная модель m1.

Сравните отклонение в ответах модели.

h = bodeplot(m1,m2);
opt = getoptions(h);
opt.PhaseMatching = 'on';
opt.ConfidenceRegionNumberSD = 3;
opt.PhaseMatching = 'on';
setoptions(h,opt);
showConfidence(h);

Упорядоченная модель m2 имеет уменьшаемое отклонение по сравнению с неупорядоченной моделью m1.

Загрузите данные об оценке data и шаг расчета Ts.

load oe_data2.mat data Ts

iddata объект data содержит частотную характеристику дискретного времени для следующей модели:

Просмотрите шаг расчета оценки Ts то, что вы загрузили.

Ts

Ts = 1.0000e-03

Это значение совпадает со свойством data.Ts.

data.Ts

ans = 1.0000e-03

Можно оценить непрерывную модель от data путем ограничения диапазонов частот ввода и вывода частотой Найквиста. Для этого задайте опцию предварительного фильтра оценки 'WeightingFilter'чтобы задать полосу пропускания от 0 к 0.5*pi/Ts rad/s. Программное обеспечение игнорирует любые значения ответа с частотами за пределами той полосы пропускания.

opt = oeOptions('WeightingFilter',[0 0.5*pi/Ts]);

Установите Ts свойство к 0 обрабатывать data как данные непрерывного времени.

data.Ts = 0;

Оцените непрерывную модель.

nb = 1;
nf = 3;
sys = oe(data,[nb nf],opt);