ssregestOptions

Опция установлена для ssregest

Описание

пример

options = ssregestOptions создает набор опции по умолчанию для ssregest.

пример

options = ssregestOptions(Name,Value) задает дополнительные опции с помощью одного или нескольких Name,Value парные аргументы.

Примеры

свернуть все

options = ssregestOptions;

Создайте набор опции для ssregest это фиксирует значение начальных состояний к 'zero'. Кроме того, установите Display к 'on'.

opt = ssregestOptions('InitialState','zero','Display','on');

В качестве альтернативы используйте запись через точку, чтобы установить значения opt.

opt = ssregestOptions;
opt.InitialState = 'zero';
opt.Display = 'on';

Входные параметры

свернуть все

Аргументы в виде пар имя-значение

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.

Пример: opt = ssregestOptions('InitialState','zero') фиксирует значение начальных состояний, чтобы обнулить.

Обработка начальных состояний во время оценки в виде одного из следующих значений:

  • 'zero' — Начальное состояние обнуляется.

  • 'estimate' — Начальное состояние обработано как независимый параметр оценки.

Модель ARX заказывает в виде матрицы неотрицательных целых чисел [na nb nk]. max(ARXOrder)+1 должен быть больше желаемого порядка модели в пространстве состояний (количество состояний). Если вы задаете значение, рекомендуется, чтобы вы использовали большое значение в nb порядок. Чтобы узнать больше о порядках модели ARX, смотрите arx.

Упорядочивание ядра использовало в упорядоченных оценках базовой модели ARX в виде одного из следующих значений:

  • 'TC' — Настроенное и коррелируемое ядро

  • 'SE' — Экспоненциальное ядро в квадрате

  • 'SS' — Устойчивое ядро сплайна

  • 'HF' — Высокочастотное устойчивое ядро сплайна

  • 'DI' — Диагональное ядро

  • 'DC' — Диагональное и коррелированое ядро

Для получения дополнительной информации см. [1].

Опции для сокращения порядка модели в виде структуры со следующими полями:

  • StateElimMethod

    Метод устранения состояния. Задает, как устранить слабо двойные состояния (состояния с самыми маленькими сингулярными значениями Ганкеля). Заданный как одно из следующих значений:

    'MatchDC'Отбрасывает заданные состояния и изменяет остающиеся состояния, чтобы сохранить усиление DC.
    'Truncate'Отбрасывает заданные состояния, не изменяя остающиеся состояния. Этот метод ухаживает к продукту за лучшим приближением в частотном диапазоне, но усиления DC, как гарантируют, не будут соответствовать.

    Значение по умолчанию: 'Truncate'

  • AbsTol, RelTol

    Допуск абсолютной и относительной погрешности к устойчивому/нестабильному разложению. Значения положительной скалярной величины. Для входной модели G с нестабильными полюсами, алгоритма сокращения ssregest первые извлечения устойчивая динамика путем вычисления устойчивого/нестабильного разложения G → GS + GU. AbsTol и RelTol допуски управляют точностью этого разложения путем гарантирования, что частотные характеристики G и GS + GU отличаются не больше, чем AbsTol + RelTol*abs (G). Увеличение этих допусков помогает разделить поблизости устойчивые и нестабильные режимы за счет точности. Смотрите stabsep для получения дополнительной информации.

    Значение по умолчанию: AbsTol = 0; RelTol = 1e-8

  • Offset

    Возместите для устойчивого/нестабильного контура. Значение положительной скалярной величины. В устойчивом/нестабильном разложении устойчивый термин включает только удовлетворение полюсов

    • Re(s) < -Offset * max(1,|Im(s)|) (Непрерывное время)

    • |z| < 1 - Offset (Дискретное время)

    Увеличьте значение Offset обрабатывать полюса близко к контуру устойчивости как нестабильные.

    Значение по умолчанию: 1e-8

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.

Взвешивание 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.

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.

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.

Удаление 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.

Удаление 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.

Вес ошибок предсказания по мультивыходной оценке в виде одного из следующих значений:

  • Положительная полуопределенная, симметрическая матрица (W). Программное обеспечение минимизирует трассировку взвешенной ошибочной матрицы предсказания trace(E'*E*W/N) где:

    • E матрица ошибок предсказания, с одним столбцом для каждого выхода и 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.

  • [] — Никакое взвешивание не используется. Определение как [] совпадает с eye(Ny), где Ny количество выходных параметров.

Эта опция важна только для мультивыходных моделей.

Расширенные настройки для упорядоченной оценки в виде структуры со следующими полями:

  • MaxSize — Максимальный допустимый размер якобиевских матриц, сформированных во время оценки в виде большого положительного числа.

    Значение по умолчанию: 250e3

  • SearchMethod — Метод поиска для оценки параметров регуляризации в виде одного из следующих значений:

    • 'gn': Поиск линии квазиньютона.

    • 'fmincon': "Доверительная область отражающий" ограниченный минимизатор. В общем случае 'fmincon' лучше, чем 'gn' для обработки границ на параметрах регуляризации, которые наложены автоматически во время оценки.

    Значение по умолчанию: 'fmincon'

Выходные аргументы

свернуть все

Опции оценки для ssregest, возвращенный как ssregestoptions опция установлена.

Вопросы совместимости

развернуть все

Ссылки

[1] Т. Чен, Х. Охлссон и Л. Лджанг. “На оценке передаточных функций, регуляризации и гауссовых процессах - пересмотренный”, Automatica, объем 48, август 2012.

Введенный в R2014a

Для просмотра документации необходимо авторизоваться на сайте