Алгоритм корреляционного анализа

Correlation analysis обращается к методам, которые оценивают импульсную характеристику линейной модели без определенных предположений о порядках модели.

Импульсной характеристикой, g, является выход системы, когда вход является импульсным сигналом. Выходной ответ на общий вход, u (t), получен как свертка с импульсной характеристикой. В непрерывное время:

y(t)=tg(τ)u(tτ)dτ

В дискретное время:

y(t)=k=1g(k)u(tk)

Значениями g (k) является discrete time impulse response coefficients.

Можно оценить значения из наблюдаемых данных ввода - вывода несколькими различными способами. impulseest оценивает первые коэффициенты n с помощью метода наименьших квадратов, чтобы получить модель конечной импульсной характеристики (FIR) порядка n.

Несколько важных опций сопоставлены с оценкой:

  • При предварительном отбеливании — вход может быть предварительно побелен путем применения белящего вход фильтра порядка PW к данным. Это минимизирует эффект заброшенного хвоста (k > n) из импульсной характеристики.

    1. Фильтр порядка PW применяется таким образом, что это белит входной сигнал u:

      1/A = A(u)e, где A полином и e белый шум.

    2. Вводы и выводы отфильтрованы с помощью фильтра:

      uf = Au, yf = Ay

    3. Отфильтрованные сигналы uf и yf используются в оценке.

    Можно задать предварительное отбеливание с помощью PW аргумент пары "имя-значение" impulseestOptions.

  • Регуляризация — оценка наименьших квадратов может быть упорядочена. Это означает что предшествующая оценка затухания и взаимной корреляции среди g(k) формируется и используется, чтобы объединить с информацией о g из наблюдаемых данных. Это дает оценку с меньшим отклонением по цене некоторого смещения. Можно выбрать одно из этих нескольких ядер, чтобы закодировать предшествующую оценку.

    Эта опция важна потому что, часто, порядок модели n может быть довольно большим. В случаях, где нет никакой регуляризации, n может быть автоматически уменьшен, чтобы защитить разумное отклонение.

    Можно задать ядро упорядочивания с помощью RegularizationKernel Аргумент пары "имя-значение" impulseestOptions.

  • Авторегрессивные Параметры — основная базовая модель FIR может быть дополнена NA авторегрессивные параметры, делая его моделью ARX.

    y(t)=k=1ng(k)u(tk)k=1NAaky(tk)

    Это дает оба лучших результата для маленького n и позволяет объективные оценки, когда данные сгенерированы в замкнутом цикле. impulseest использование NA = 5 для t> 0 и NA = 0 (никакой авторегрессивный компонент) для t <0.

  • Непричинные эффекты — Ответ для отрицательных задержек. Это может произойти, что данные были сгенерированы частично выходной обратной связью:

    u(t)=k=0h(k)y(tk)+r(t)

    где h (k) является импульсной характеристикой регулятора, и r является термином воздействия или заданным значением. Существование и символ такой обратной связи h могут быть оценены таким же образом как g, просто путем торговли местами между y и u в вызове оценки. Используя impulseest с индикацией относительно отрицательных задержек, mi = impulseest(data,nk,nb), nk<0, возвращает модель mi с импульсной характеристикой

    [h(-nk),h(-nk-1),...,h(0),g(1),g(2),...,g(nb+nk)]

    выровненный так, чтобы это соответствовало задержкам [nk,nk+1,..,0,1,2,...,nb+nk]. Это достигается потому что входная задержка (InputDelay) из модели mi nk.

Поскольку мультивход мультивывел систему, импульсная характеристика, g (k) является ny-by-nu матрица, где ny является количеством выходных параметров, и nu является количеством входных параметров. ij элемент матричного g (k) описывает поведение i th выход после импульса в j th вход.

Похожие темы

Для просмотра документации необходимо авторизоваться на сайте