Загрузите данные об оценке.

load iddata1 z1

z1 iddata объект, который хранит данные об оценке ввода - вывода.

Оцените модель в пространстве состояний третьего порядка.

sys = ssest(z1,3);

Симулируйте ответ предполагаемой модели с помощью Метода Монте-Карло и введите данные об оценке и постройте ответ.

simsd(sys,z1);

Синие линейные графики симулированный ответ исходной номинальной модели sys. Зеленые линии строят симулированный ответ 10 встревоженной реализации sys.

Симулируйте предполагаемую модель с помощью Метода Монте-Карло в конкретном количестве нарушений в работе модели.

Оцените модель в пространстве состояний второго порядка с помощью данных об оценке. Получите sys в канонической форме наблюдаемости.

load iddata3 z3
sys = ssest(z3,2,'Form','canonical');

Вычислите симулированный ответ предполагаемой модели с помощью Метода Монте-Карло и постройте ответы. Задайте количество случайных нарушений в работе модели как 20.

N = 20;
simsd(sys,z3,N)

Синие линейные графики симулированный ответ исходной номинальной модели sys. Зеленые линии строят симулированный ответ 20 встревоженной реализации sys.

Можно также получить симулированный ответ для каждого возмущения sys. Никакой график не сгенерирован, когда вы используете этот синтаксис.

y = simsd(sys,z3,N);

y симулированный ответ, возвращенный как массив ячеек N+1 элемент. y{1} содержит номинальный ответ для sys. Остающиеся элементы содержат симулированный ответ для N встревоженная реализация.

Серийные данные времени загрузки.

load iddata9 z9

z9 iddata объект с 200 выборками выходных данных и никакими входными параметрами.

Оцените шестой порядок модель AR с помощью алгоритма наименьших квадратов.

sys = ar(z9,6,'ls');

Для данных временных рядов задайте желаемую продолжительность симуляции, Ns = 200 использований Ns- 0 входных данных установлены.

data = iddata([],zeros(200,0),z9.Ts);

Установите начальные условия, чтобы использовать начальные выборки временных рядов как исторические выходные выборки. Прошлые данные сопоставлены с начальными состояниями каждой встревоженной системы индивидуально.

IC = struct('Input',[],'Output',z9.y(1:6));
opt = simsdOptions('InitialCondition',IC);

Симулируйте модель с помощью Метода Монте-Карло и заданных начальных условий. Задайте количество случайных нарушений в работе модели как 20.

simsd(sys,data,20,opt)

Синие линейные графики симулированный ответ исходной номинальной модели sys. Зеленые линии строят симулированный ответ 20 встревоженной реализации sys.

Загрузите данные и разделите их в оценку и данные моделирования.

load iddata3
ze = z3(1:200);
zsim = z3(201:256);

Оцените модель в пространстве состояний второго порядка sys использование данных об оценке. Укажите, что никакие данные о ковариации параметра не сгенерированы. Получите sys в канонической форме наблюдаемости.

opt = ssestOptions('EstimateCovariance',false);
sys = ssest(ze,2,'Form','canonical',opt);

Установите начальные условия для симуляции предполагаемой модели. Задайте значения начального состояния x0 для двух состояний и также ковариации значений начального состояния x0Cov. Ковариация задана как матрица 2 на 2, потому что существует два состояния.

x0 = [1.2; -2.4];
x0Cov = [0.86 -0.39; -0.39 1.42];
opt = simsdOptions('InitialCondition',x0,'X0Covariance',x0Cov);

Симулируйте модель с помощью Метода Монте-Карло и заданных начальных условий. Задайте количество случайных нарушений в работе модели как 100.

simsd(sys,zsim,100,opt)

Синие линейные графики симулированный ответ исходной номинальной модели sys. Зеленые линии строят симулированный ответ 100 встревоженной реализации sys. Программное обеспечение использует различную реализацию начальных состояний, чтобы симулировать каждую встревоженную модель. Начальные состояния чертятся от Распределения Гаусса со средним InitialCondition и ковариация X0Covariance.

Загрузите данные об оценке.

load iddata1 z1

z1 idddata возразите, что хранит 300 выборок данных об оценке ввода - вывода.

Оцените модель в пространстве состояний второго порядка с помощью данных об оценке.

sys = ssest(z1,2);

Создайте набор опции по умолчанию для simsd, и измените набор опции, чтобы добавить шум.

opt = simsdOptions;
opt.AddNoise = true;

Вычислите симулированный ответ предполагаемой модели с помощью Метода Монте-Карло. Задайте количество случайных нарушений в работе модели как 20 и симулируйте модель с помощью заданного набора опции.

[y,y_sd] = simsd(sys,z1,20,opt);

y симулированный ответ, возвращенный как массив ячеек 21 элемента. y{1} содержит номинальный, бесшумный ответ для sys. Остающиеся элементы содержат симулированный ответ для 20 встревоженной реализации sys с аддитивными воздействиями, добавленными к каждому ответу.

y_sd предполагаемое стандартное отклонение симулированного ответа, возвращенного как iddata объект без входных параметров. Стандартные отклонения вычисляются из 21 симулированных выходных параметров. Чтобы получить доступ к стандартному отклонению, используйте y_sd.OutputData.