ssestOptions

Набор опции для ssest

Синтаксис

opt = ssestOptions
opt = ssestOptions(Name,Value)

Описание

opt = ssestOptions создает набор опции по умолчанию для ssest.

opt = ssestOptions(Name,Value) создает набор опции с опциями, заданными одним или несколькими Name,Value парные аргументы.

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.

Алгоритм раньше инициализировал значения параметров пространства состояний для ssestВ виде одного из следующих значений:

  • 'auto'ssest выбирает автоматически:

    • lsrf, если системой является не-MIMO, данные являются частотным диапазоном, и параметры пространства состояний с действительным знаком.

    • n4sid в противном случае (временной интервал, MIMO, или параметрами пространства состояний с комплексным знаком).

  • 'n4sid' — Подход оценки пространства состояний подпространства — может использоваться со всеми системами (см. n4sid).

  • 'lsrf' — Рациональная функция наименьших квадратов основанный на оценке подход [7] (см., что Оценка Передаточной функции Непрерывного времени Использует Данные Частотного диапазона Непрерывного времени) — может обеспечить результаты более высокой точности для систем частотного диапазона не-MIMO параметрами пространства состояний с действительным знаком, но не может использоваться ни для каких других систем (временной интервал, MIMO, или параметрами пространства состояний с комплексным знаком).

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

  • 'zero' — Начальное состояние обнуляется.

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

  • 'backcast' — Начальное состояние оценивается с помощью лучшего метода наименьших квадратов.

  • 'auto'ssest выбирает метод обработки начального состояния, на основе данных об оценке. Возможными методами обработки начального состояния является 'zero', 'estimate' и 'backcast'.

  • Вектор из удваивается — Задают вектор-столбец длины Nx, где Nx является количеством состояний. Для данных мультиэксперимента задайте матрицу со столбцами Ne, где Ne является количеством экспериментов. Заданные значения обработаны как фиксированные значения во время процесса оценки.

  • Параметрический начальный объект условия (x0obj) — Задают начальные условия при помощи idpar создать параметрический начальный объект условия. Можно задать минимальные/максимальные границы и зафиксировать значения определенных состояний с помощью параметрического начального объекта условия. Свободные входы x0obj оцениваются вместе с idss параметры модели.

    Используйте эту опцию только для моделей в пространстве состояний дискретного времени.

Схема Weighting использовала для сингулярного разложения алгоритмом N4SID в виде одного из следующих значений:

  • 'MOESP' — Использует алгоритм MOESP Verhaegen [2].

  • 'CVA' — Использует канонический алгоритм варьируемой величины Larimore [1].

  • 'SSARX' — Метод идентификации подпространства, который использует ARX основанный на оценке алгоритм, чтобы вычислить взвешивание.

    Определение этой опции позволяет объективные оценки при использовании данных, которые собраны в операции с обратной связью. Для получения дополнительной информации об алгоритме, см. [6].

  • 'auto' — Функция оценки выбирает между MOESP и алгоритмами CVA.

Передайте и обратные горизонты предсказания, используемые алгоритмом N4SID в виде одного из следующих значений:

  • Вектор-строка с тремя элементами —   [r sy su], где r максимальный прямой горизонт предсказания. Алгоритм использует до r неродной вперед предикторы. sy количество мимо выходных параметров и su количество прошлых входных параметров, которые используются для предсказаний. Смотрите страницы 209 и 210 в [4] для получения дополнительной информации. Эти числа могут иметь существенное влияние на качество получившейся модели, и нет никаких простых правил для выбора их. Создание 'N4Horizon' k- 3 матрицы означают что каждая строка 'N4Horizon' попробован, и значение, которое дает лучшее (предсказание), подгонка к данным выбрана. k количество предположений   [r sy su] комбинации. Если вы задаете N4Horizon как отдельный столбец, r = sy = su используется.

  • 'auto' — Программное обеспечение использует Критерий информации о Akaike (AIC) для выбора sy и su.

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 описываются 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 из набора данных, Data.Frequency. Каждый ответ ввода и вывода в данных умножается на соответствующий вес на той частоте.

  • 'invsqrt' — Применимый для данных частотного диапазона только, с InitializeMethod установите на 'lsrf' только. Использование 1/|G(ω)| как фильтр взвешивания, где G (ω) является комплексными данными частотной характеристики. Используйте эту опцию для получения относительно низкой амплитудной динамики в данных.

  • 'inv' — Применимый для данных частотного диапазона только, с InitializeMethod установите на 'lsrf' только. Использование 1/|G(ω)| как фильтр взвешивания. Так же к 'invsqrt', эта опция получает относительно динамику низкой амплитуды в данных. Используйте его когда 'invsqrt' взвешивание производит оценку, которая пропускает динамику в областях низкой амплитуды. 'inv' более чувствительно к шуму, чем 'invsqrt'.

Управляйте, осуществить ли устойчивость предполагаемой модели в виде разделенной запятой пары, состоящей из 'EnforceStability' и любой true или false.

Типы данных: логический

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.

Взвешивание ошибок предсказания по мультивыходным оценкам в виде одного из следующих значений:

  • 'noise' — Минимизировать det(E'*E/N), где E представляет ошибку предсказания и N количество выборок данных. Этот выбор оптимален в статистическом смысле и приводит к оценкам наибольшего правдоподобия, если ничто не известно об отклонении шума. Это использует инверсию предполагаемого шумового отклонения как функция взвешивания.

    Примечание

    OutputWeight не должен быть 'noise' если SearchMethod 'lsqnonlin'.

  • Положительная полуопределенная симметрическая матрица (W) — Минимизируют трассировку взвешенной ошибочной матрицы предсказания trace(E'*E*W/N) где:

    • E является матрицей ошибок предсказания с одним столбцом для каждого выхода, и W является положительной полуопределенной симметрической матрицей размера, равного количеству выходных параметров. Используйте W, чтобы задать относительную важность выходных параметров в нескольких - выходные модели или надежность соответствующих данных.

    • N количество выборок данных.

  • [] — Программное обеспечение выбирает между 'noise' или использование единичной матрицы для W.

Эта опция важна только для мультивыходных моделей.

Опции для упорядоченной оценки параметров модели. Для получения дополнительной информации о регуляризации смотрите Упорядоченные Оценки Параметров модели.

Regularization структура со следующими полями:

  • Lambda — Постоянный, который определяет смещение по сравнению с компромиссом отклонения.

    Задайте положительную скалярную величину, чтобы добавить срок регуляризации в стоимость оценки.

    Значение, равное нулю не подразумевает регуляризации.

    Значение по умолчанию: 0

  • R — Взвешивание матрицы.

    Задайте вектор из неотрицательных чисел или квадратной положительной полуопределенной матрицы. Длина должна быть равна количеству свободных параметров модели.

    Для моделей черного ящика, с помощью значения по умолчанию рекомендуется. Для структурированного и моделей серого ящика, можно также задать вектор из np положительные числа, таким образом, что каждая запись обозначает доверие к значению связанного параметра.

    Значение по умолчанию 1 подразумевает значение eye(npfree), где npfree количество свободных параметров.

    Значение по умолчанию: 1

  • Nominal — Номинальная стоимость, к которой свободные параметры вытягивают во время оценки.

    Значение, равное нулю подразумевает, что значения параметров вытягивают по направлению к нулю. Если вы совершенствовали модель, можно установить значение к 'model' вытягивать параметры к значениям параметров первоначальной модели. Начальные значения параметров должны быть конечными для этого принимающегося за работу.

    Значение по умолчанию: 0

Числовой метод поиска, используемый для итеративной оценки параметра в виде разделенной запятой пары, состоящей из 'SearchMethod' и одно из следующего:

  • 'auto' — Комбинация алгоритмов поиска линии, 'gn', 'lm', 'gna', и 'grad' методы пробуют в последовательности в каждой итерации. Первое продвижение направления спуска к сокращению стоимости оценки используется.

  • 'gn' — Поиск наименьших квадратов Ньютона Гаусса подпространства. Сингулярные значения якобиевской матрицы меньше, чем GnPinvConstant*eps*max(size(J))*norm(J) отбрасываются при вычислении поискового направления. J является якобиевской матрицей. Матрица Гессиана аппроксимирована как JTJ. Если нет никакого улучшения этого направления, функция пробует направление градиента.

  • 'gna' — Адаптивный поиск Ньютона Гаусса подпространства. Собственные значения меньше, чем gamma*max(sv) из Гессиана проигнорированы, где sv содержит сингулярные значения Гессиана. Направление Ньютона Гаусса вычисляется в остающемся подпространстве. gamma имеет начальное значение InitialGnaTolerance (см. Advanced в 'SearchOptions' для получения дополнительной информации. Это значение увеличено факторным LMStep каждый раз поиску не удается найти нижнее значение критерия меньше чем в пяти делениях пополам. Это значение уменьшено факторным 2*LMStep каждый раз поиск успешен без любых делений пополам.

  • 'lm' — Поиск наименьших квадратов Levenberg-Marquardt, где следующим значением параметров является -pinv(H+d*I)*grad от предыдущего. H является Гессиан, I является единичной матрицей, и grad является градиентом. d является числом, которое увеличено, пока нижнее значение критерия не найдено.

  • 'grad' — Поиск наименьших квадратов наискорейшего спуска.

  • 'lsqnonlin' — Доверительная область отражающий алгоритм lsqnonlin (Optimization Toolbox). Программное обеспечение Requires Optimization Toolbox™.

  • 'fmincon' — Ограниченные нелинейные решатели. Можно использовать последовательное квадратичное программирование (SQP) и доверять области отражающие алгоритмы fmincon (Optimization Toolbox) решатель. Если у вас есть программное обеспечение Optimization Toolbox, можно также использовать внутреннюю точку и алгоритмы активного набора fmincon решатель. Задайте алгоритм в SearchOptions.Algorithm опция. fmincon алгоритмы могут привести к улучшенным результатам оценки в следующих сценариях:

    • Ограниченные проблемы минимизации, когда существуют границы, наложенные на параметры модели.

    • Структуры модели, где функция потерь является нелинейным или не сглаженной функцией параметров.

    • Мультивыведите оценку модели. Определяющая функция потерь минимизирована по умолчанию для мультивыходной оценки модели. fmincon алгоритмы могут минимизировать такие функции потерь непосредственно. Другие методы поиска, такие как 'lm' и 'gn' минимизируйте определяющую функцию потерь путем альтернативной оценки шумового отклонения и сокращения значения потерь для данного шумового значения отклонения. Следовательно, fmincon алгоритмы могут предложить лучший КПД и точность для мультивыходных оценок модели.

Набор опции для алгоритма поиска в виде разделенной запятой пары, состоящей из 'SearchOptions' и набор параметра поиска с полями, которые зависят от значения SearchMethod.

SearchOptions Структура, когда SearchMethod Задан как 'gn', 'gna', 'lm', 'grad', или 'auto'

Имя поляОписаниеЗначение по умолчанию
Tolerance

Минимальная процентная разница между текущим значением функции потерь и ее ожидаемым улучшением после следующей итерации в виде положительной скалярной величины. Когда процент ожидаемого улучшения меньше Tolerance, остановка итераций. Оценка ожидаемого улучшения функции потерь в следующей итерации основана на векторе Ньютона Гаусса, вычисленном для текущего значения параметров.

0.01
MaxIterations

Максимальное количество итераций во время минимизации функции потерь в виде положительного целого числа. Итерации останавливаются когда MaxIterations достигнут или другому критерию остановки удовлетворяют, такие как Tolerance.

Установка MaxIterations = 0 возвращает результат процедуры запуска.

Используйте sys.Report.Termination.Iterations получить фактическое количество итераций во время оценки, где sys idtf модель.

20
Advanced

Настройки расширенного поиска в виде структуры со следующими полями:

Имя поляОписаниеЗначение по умолчанию
GnPinvConstant

Якобиевский матричный порог сингулярного значения в виде положительной скалярной величины. Сингулярные значения якобиевской матрицы, которые меньше, чем GnPinvConstant*max(size(J)*norm(J)*eps) отбрасываются при вычислении поискового направления. Применимый, когда SearchMethod 'gn'.

10000
InitialGnaTolerance

Начальное значение gamma в виде положительной скалярной величины. Применимый, когда SearchMethod 'gna'.

0.0001
LMStartValue

Начальное значение длины поискового направления d в методе Levenberg-Marquardt в виде положительной скалярной величины. Применимый, когда SearchMethod 'lm'.

0.001
LMStep

Размер Levenberg-Marquardt продвигается в виде положительного целого числа. Следующим значением длины поискового направления d в методе Levenberg-Marquardt является LMStep времена предыдущее. Применимый, когда SearchMethod 'lm'.

2
MaxBisections

Максимальное количество делений пополам, используемых для линии, ищет вдоль поискового направления в виде положительного целого числа.

25
MaxFunctionEvaluations

Максимальное количество вызовов файла модели в виде положительного целого числа. Итерации останавливаются, если количество вызовов файла модели превышает это значение.

Inf
MinParameterChange

Самое маленькое обновление параметра позволено на итерацию в виде неотрицательного скаляра.

0
RelativeImprovement

Относительный порог улучшения в виде неотрицательного скаляра. Итерации останавливаются, если относительное улучшение оценочной функции меньше этого значения.

0
StepReduction

Фактор сокращения шага в виде положительной скалярной величины, которая больше 1. Предложенное обновление параметра уменьшается факторным StepReduction после каждой попытки. Это сокращение продолжается до MaxBisections попытки завершаются, или нижнее значение оценочной функции получено.

StepReduction не применимо для SearchMethod 'lm' (Метод Levenberg-Marquardt).

2

SearchOptions Структура, когда SearchMethod Задан как 'lsqnonlin'

Имя поляОписаниеЗначение по умолчанию
FunctionTolerance

Допуск завершения на функции потерь, которую программное обеспечение минимизирует, чтобы определить предполагаемые значения параметров в виде положительной скалярной величины.

Значение FunctionTolerance совпадает с тем из opt.SearchOptions.Advanced.TolFun.

1e-5
StepTolerance

Допуск завершения на предполагаемых значениях параметров в виде положительной скалярной величины.

Значение StepTolerance совпадает с тем из opt.SearchOptions.Advanced.TolX.

1e-6
MaxIterations

Максимальное количество итераций во время минимизации функции потерь в виде положительного целого числа. Итерации останавливаются когда MaxIterations достигнут или другому критерию остановки удовлетворяют, такие как FunctionTolerance.

Значение MaxIterations совпадает с тем из opt.SearchOptions.Advanced.MaxIter.

20
Advanced

Настройки расширенного поиска в виде набора опции для lsqnonlin.

Для получения дополнительной информации см. таблицу Optimization Options в Опциях Оптимизации (Optimization Toolbox).

Используйте optimset('lsqnonlin') создать набор опции по умолчанию.

SearchOptions Структура, когда SearchMethod Задан как 'fmincon'

Имя поляОписаниеЗначение по умолчанию
Algorithm

fmincon алгоритм оптимизации в виде одного из следующего:

  • 'sqp' — Последовательный алгоритм квадратичного программирования. Алгоритм удовлетворяет границам во всех итерациях, и он может восстановиться с NaN или Inf результаты. Это не крупномасштабный алгоритм. Для получения дополнительной информации смотрите Крупномасштабный по сравнению с Алгоритмами Средней шкалы (Optimization Toolbox).

  • 'trust-region-reflective' — Метод доверительной области подпространства на основе внутреннего отражающего метода Ньютона. Это - крупномасштабный алгоритм.

  • 'interior-point' — Крупномасштабный алгоритм, который требует программного обеспечения Optimization Toolbox. Алгоритм удовлетворяет границам во всех итерациях, и он может восстановиться с NaN или Inf результаты.

  • 'active-set' — Программное обеспечение Requires Optimization Toolbox. Алгоритм может сделать большие шаги, который добавляет скорость. Это не крупномасштабный алгоритм.

Для получения дополнительной информации об алгоритмах, см. Ограниченные Нелинейные Алгоритмы Оптимизации (Optimization Toolbox) и Выбор Algorithm (Optimization Toolbox).

'sqp'
FunctionTolerance

Допуск завершения на функции потерь, которую программное обеспечение минимизирует, чтобы определить предполагаемые значения параметров в виде положительной скалярной величины.

1e-6
StepTolerance

Допуск завершения на предполагаемых значениях параметров в виде положительной скалярной величины.

1e-6
MaxIterations

Максимальное количество итераций во время минимизации функции потерь в виде положительного целого числа. Итерации останавливаются когда MaxIterations достигнут или другому критерию остановки удовлетворяют, такие как FunctionTolerance.

100

Дополнительные расширенные настройки в виде структуры со следующими полями:

  • ErrorThreshold — Задает, когда настроить вес больших ошибок от квадратичного до линейного.

    Ошибки, больше, чем ErrorThreshold времена предполагаемое стандартное отклонение имеют линейный вес в функции потерь. Стандартное отклонение оценивается надежно как медиана абсолютных отклонений от медианы ошибок предсказания, разделенных на 0.7. Для получения дополнительной информации об устойчивом выборе нормы смотрите раздел 15.2 из [4].

      ErrorThreshold = 0 отключает robustification и приводит к чисто квадратичной функции потерь. При оценке с данными частотного диапазона программное обеспечение устанавливает ErrorThreshold обнулять. Для данных временного интервала, которые содержат выбросы, попробуйте установку ErrorThreshold к 1.6.

    Значение по умолчанию: 0

  • MaxSize — Задает максимальное количество элементов в сегменте, когда данные ввода - вывода разделены в сегменты.

    MaxSize должно быть положительное целое число.

    Значение по умолчанию: 250000

  • StabilityThreshold — Задает пороги для тестов устойчивости.

    StabilityThreshold структура со следующими полями:

    • s — Задает местоположение самого правого полюса, чтобы протестировать устойчивость моделей непрерывного времени. Модель рассматривается устойчивой, когда ее самый правый полюс слева от s.

      Значение по умолчанию: 0

    • z — Задает максимальное расстояние всех полюсов от источника, чтобы протестировать устойчивость моделей дискретного времени. Модель рассматривается устойчивой, если всеми полюсами является на расстоянии z от источника.

      Значение по умолчанию: 1+sqrt(eps)

  • AutoInitThreshold — Задает, когда автоматически оценить начальные условия.

    Начальное условие оценивается когда

    yp,zymeasyp,eymeas>AutoInitThreshold

    • ymeas является измеренный выход.

    • yp,z является предсказанный выход модели, оцененной с помощью нулевых начальных состояний.

    • yp,e является предсказанный выход модели, оцененной с помощью оцененных начальных состояний.

    Применимый, когда InitialState 'auto'.

    Значение по умолчанию: 1.05

  • DDC — Задает, используется ли Управляемый данными алгоритм Координат [5], чтобы оценить свободно параметрированные модели в пространстве состояний.

    Задайте DDC как одно из следующих значений:

    • 'on' — Свободные параметры спроектированы к уменьшаемому пробелу идентифицируемых параметров с помощью Управляемого данными алгоритма Координат.

    • 'off' — Все записи A, B и C, обновленного непосредственно с помощью выбранного SearchMethod.

    Значение по умолчанию: 'on'

Выходные аргументы

свернуть все

Набор опции для ssest, возвращенный как ssestOptions опция установлена.

Примеры

свернуть все

opt = ssestOptions;

Создайте набор опции для ssest использование 'backcast' алгоритм, чтобы инициализировать состояние и установить Display к 'on'.

opt = ssestOptions('InitialState','backcast','Display','on');

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

opt = ssestOptions;
opt.InitialState = 'backcast';
opt.Display = 'on';

Вопросы совместимости

развернуть все

Ссылки

[1] Larimore, W.E. "Канонический анализ варьируемой величины в идентификации, фильтрации и адаптивном управлении". Продолжения 29-й Конференции по IEEE по Решению и Управлению, стр 596–604, 1990.

[2] Verhaegen, M. “Идентификация детерминированной части моделей в пространстве состояний MIMO”. Automatica, Издание 30, № 1, 1994, стр 61–74.

[3] Завещания, Эдриан, Б. Ниннесс и С. Гибсон. “На основанном на градиенте поиске многомерных системных оценок”. Продолжения 16-го мирового Конгресса IFAC, Прага, Чешская Республика, 3-8 июля 2005. Оксфорд, Великобритания: Elsevier Ltd., 2005.

[4] Ljung, L. System Identification: теория для пользователя. Верхний Сэддл-Ривер, NJ: PTR Prentice Hall, 1999.

[5] Маккельви, T., А. Хелмирссон и Т. Рибэритс. “Управляемые данными локальные координаты для многомерных линейных систем и их приложения к системе идентификации”. Automatica, Объем 40, № 9, 2004, стр 1629–1635.

[6] Янссон, M. “Идентификация подпространства и моделирование ARX”. 13-й Симпозиум IFAC по System Identification, Роттердаму, Нидерланды, 2003.

[7] Ozdemir, A. A. и С. Гумоссой. "Оценка Передаточной функции Тулбокс Системы идентификации через Подбор кривой Вектора". Продолжения 20-го Мирового Конгресса Международной федерации Автоматического управления. Тулуза, Франция, июль 2017.

Представленный в R2012a
Для просмотра документации необходимо авторизоваться на сайте