Качество подгонки между тестовыми и справочными данными для анализа и валидацией идентифицированных моделей
goodnessOfFit возвращает подходящие значения, которые представляют ошибочную норму между наборами тестовых и справочных данных. Если вы хотите сравнить и визуализировать симулированный выход модели с данными об измерении, см. также compare.
fit = goodnessOfFit(x,xref,cost_func)x и справочные данные xref использование функции стоимости cost_func. fit количественное представление близости x к xref. Чтобы выполнить несколько сравнений подгонки теста к ссылке, можно задать x и xref как массивы ячеек равного размера, которые содержат несколько наборов тестовых и справочных данных. С входными параметрами массива ячеек, fit возвращает массив подходящих значений.
Найдите качество подгонки между измеренными выходными данными и симулированным выходом предполагаемой модели.
Получите измеренный выход.
load iddata1 z1 yref = z1.y;
z1 iddata объект, содержащий измеренные данные ввода - вывода. z1.y измеренный выход.
Оцените модель передаточной функции второго порядка и симулируйте выход y_est модели.
sys = tfest(z1,2); y_est = sim(sys,z1(:,[],:));
Вычислите качество подгонки или ошибочную норму, между измеренными и предполагаемыми выходными параметрами. Задайте нормированную среднеквадратическую ошибку (NRMSE) как функцию стоимости.
cost_func = 'NRMSE';
y = y_est.y;
fit = goodnessOfFit(y,yref,cost_func) fit = 0.2943
В качестве альтернативы можно использовать compare вычислить подгонку. compare использует функцию стоимости NRMSE и описывает подходящий процент с помощью поразрядного дополнения до единицы ошибочной нормы. Подходящее отношение между compare и goodnessOfFit поэтому . compare результат 100% эквивалентен goodnessOfFit результат 0.
Задайте начальное условие нуля совпадать с начальным условием что goodnessOfFit принимает.
opt = compareOptions('InitialCondition','z'); compare(z1,sys,opt);
Результаты подгонки эквивалентны.
Найдите качество подгонки между измеренными и предполагаемыми выходными параметрами для двух моделей.
Получите измерения ввода - вывода z2 от iddata2. Скопируйте измеренный выход в ссылочный выход yref.
load iddata2 z2 yref = z2.y;
Оцените второго порядка и модели передаточной функции четвертого порядка с помощью z2.
sys2 = tfest(z2,2); sys4 = tfest(z2,4);
Симулируйте обе системы, чтобы получить оцененные выходные параметры.
y_sim2 = sim(sys2,z2(:,[],:)); y2 = y_sim2.y; y_sim4 = sim(sys4,z2(:,[],:)); y4 = y_sim4.y;
Создайте массивы ячеек из ссылки, и оценил выходные параметры. Набор справочных данных является тем же самым для обоих сравнений модели, поэтому создайте идентичные ссылочные ячейки.
yrefc = {yref yref};
yc = {y2 y4};Вычислите fit значения для этих трех функций стоимости.
fit_nrmse = goodnessOfFit(yc,yrefc,'NRMSE')fit_nrmse = 1×2
0.1429 0.1439
fit_nmse = goodnessOfFit(yc,yrefc,'NMSE')fit_nmse = 1×2
0.0204 0.0207
fit_mse = goodnessOfFit(yc,yrefc,'MSE')fit_mse = 1×2
1.0811 1.0967
Подходящее значение 0 указывает на совершенную подгонку между ссылкой и оценило выходные параметры. Подходящие повышения значения как подходящее совершенство уменьшаются. Для всех трех функций стоимости модель четвертого порядка производит лучшую подгонку, чем модель второго порядка.