Создайте объект средства оценки нелинейности сети вейвлета
NL = wavenet
NL = wavenet(Name,Value)
NL = wavenet
NL = wavenet(Name,Value)Name,Value парные аргументы. Свойства, которые вы не задаете, сохраняют свое значение по умолчанию.
wavenet объект, который хранит средство оценки нелинейности сети вейвлета для оценки нелинейного ARX и моделей Хаммерстайна-Винера.
Использование wavenet задавать нелинейную функцию , где y является скаляром, x является m- размерный вектор-строка из регрессоров и θ представляют параметры в расширении вейвлета. Функция сети вейвлета основана на следующем функциональном расширении:
Здесь,
f(z) является радиальной функцией, вызвал масштабирующуюся функцию, и z является входом к масштабирующейся функции. z является 1 q вектором-строкой. q является количеством компонентов x используемый в масштабировании и функциях вейвлета.
g(z) является радиальной функцией, вызвал функцию вейвлета, и z является входом к функции вейвлета.
θ представляет следующие параметры средства оценки нелинейности:
P и Q — Матрицы проекции размера m- p и m- q, соответственно.
P и Q определяются анализом главных компонентов данных об оценке. Обычно, p = m. Если компоненты x в данных об оценке линейно зависимы, то p<m. Количеством столбцов Q является qQ количество компонентов x, используемого в функции вейвлета и масштабировании.
Когда используется в нелинейной модели ARX, q равно размеру NonlinearRegressors свойство idnlarx объект. Когда используется в модели Хаммерстайна-Винера, m=q=1 и Q является скаляром.
r Среднее значение вектора регрессора вычисляется из данных об оценке в виде 1 m вектор.
as, bs, aw и bw — Масштабирование и параметры вейвлета в виде скаляров. Параметры с индексом s являются масштабными коэффициентами, и параметры с индексом w являются параметрами вейвлета.
L Заданный как p- 1 вектор.
cs и cw – Заданный как 1 q векторы.
d Выведите смещение в виде скаляра.
Значение F(x) вычисляется evaluate(NL,x), где NL объект wavenet.
Для wavenet свойства объектов, смотрите Свойства.
NL = wavenet;
Исключите линейный член из расширения вейвлета.
NL.LinearTerm = 'off';Загрузите данные об оценке.
load twotankdata;Создайте iddata объект из данных об оценке.
z = iddata(y,u,0.2);
Создайте средство оценки нелинейности сети вейвлета с 5 модулями.
NL = wavenet('NumberOfUnits',5);Оцените нелинейную модель ARX.
sys = nlarx(z,[4 4 1],NL);
Загрузите данные об оценке.
load motorizedcamera;Создайте iddata объект.
z = iddata(y,u,0.02,'Name','Motorized Camera','TimeUnit','s');
z iddata объект с 6 входными параметрами и 2 выходными параметрами.
Задайте порядки модели.
Orders = [ones(2,2),2*ones(2,6),ones(2,6)];
Задайте различные средства оценки нелинейности для каждого выходного канала.
NL = [wavenet('NumberOfUnits',2),linear];Оцените нелинейную модель ARX.
sys = nlarx(z,Orders,NL);
Загрузите данные об оценке.
load motorizedcamera;Создайте iddata объект.
z = iddata(y,u,0.02,'Name','Motorized Camera','TimeUnit','s');
z iddata объект с 6 входными параметрами и 2 выходными параметрами.
Задайте порядки модели и задержки.
Orders = [ones(2,6),ones(2,6),ones(2,6)];
Задайте то же средство оценки нелинейности для каждого входного канала.
InputNL = saturation;
Задайте различные средства оценки нелинейности для каждого выходного канала.
OutputNL = [deadzone,wavenet];
Оцените модель Хаммерстайна-Винера.
sys = nlhw(z,Orders,InputNL,OutputNL);
Чтобы видеть форму предполагаемой нелинейности ввода и вывода, постройте нелинейность.
plot(sys)
Нажмите на блоки нелинейности ввода и вывода на верхней части графика видеть нелинейность.
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.
Используйте Name,Value аргументы, чтобы задать дополнительные свойства wavenet нелинейность. Например, NL= wavenet('NumberofUnits',5) создает объект средства оценки нелинейности вейвлета с пятью модулями нелинейности в расширении вейвлета.
|
Количество модулей нелинейности в расширении вейвлета в виде положительного целого числа или одного из следующих значений:
Значение по умолчанию: | ||||||||||||||||||||||||||||||||||||
|
Включение линейного члена в виде одного из следующих значений:
Значение по умолчанию: | ||||||||||||||||||||||||||||||||||||
|
Параметры в расширении вейвлета в виде структуры со следующими полями:
Параметры обычно не присваиваются непосредственно. Они оцениваются идентификационным алгоритмом ( | ||||||||||||||||||||||||||||||||||||
|
Опции, задающие начальную структуру нелинейности вейвлета в виде структуры со следующими полями:
|
wavenet может использоваться и в Нелинейном ARX и в моделях Хаммерстайна-Винера.
Когда используется в модели Nonlinear ARX:
Если Focus опция оценки (см., nlarxOptions) 'prediction', wavenet использует быстрый, неитеративный метод для оценки параметров [1]. Последовательные улучшения после первого использования оценки итеративный алгоритм.
Если Focus 'simulation', wavenet использует итеративный метод для оценки параметров.
Чтобы всегда использовать неитеративный или итеративный алгоритм, задайте IterativeWavenet опция nlarxOptions.
Когда используется в модели Хаммерстайна-Винера, wavenet параметры определяются итеративной минимизацией.
[1] Чжан, Q. “Используя сеть вейвлета по непараметрической оценке”. Сделка IEEE на Нейронных сетях, Издании 8, Номере 2, март 1997, стр 227-236.