noise2meas

Шумовой компонент модели

Синтаксис

noise_model = noise2meas(sys) noise_model = noise2meas(sys,noise)

Описание

noise_model = noise2meas(sys) возвращает шумовой компонент, noise_model, из линейной идентифицированной модели, sysИспользование noise2meas преобразовывать модель timeseries (никакие входные параметры) к модели ввода/вывода. Конвертированная модель может использоваться для линейного анализа, включая просмотр карт полюса/нуля и графический вывод переходного процесса.

noise_model = noise2meas(sys,noise) задает шумовой метод нормализации отклонения.

Входные параметры

sys

Идентифицированная линейная модель.

noise

Шумовой метод нормализации отклонения в виде одного из следующих значений:

'innovations' — Источники шума не нормированы и остаются как инновационный процесс.
'normalize' — Источники шума нормированы, чтобы быть независимыми и модульного отклонения.

Значение по умолчанию: 'innovations'

Выходные аргументы

noise_model

Шумовой компонент sys.

sys представляет систему

$y (t) = G u (t) + H e (t)$

G является передаточной функцией между измеренным входом, u (t), и выходом, y (t). H является шумовой моделью и описывает эффект воздействия, e (t), на ответе модели.

Эквивалентное представление пространства состояний sys

$\begin{array}{l} \dot{x} (t) = A x (t) + B u (t) + K e (t) \\ y (t) = C x (t) + D u (t) + e (t) \\ e (t) = L v (t) \end{array}$

v (t) является белым шумом с независимыми каналами и модульными отклонениями. Бело-шумовой e сигнала (t) представляет инновации модели и имеет отклонение ^LLT. Данные шумового отклонения хранятся с помощью NoiseVariance свойство sys.

Если noise 'innovations'то noise2meas возвращает H и noise_model представляет систему
$y (t) = H e (t)$
Эквивалентное представление пространства состояний noise_model
$\begin{array}{l} \dot{x} (t) = A x (t) + K e (t) \\ y (t) = C x (t) + e (t) \end{array}$
noise2meas возвращает шумовые каналы sys как входные каналы noise_model. Входные каналы называют с помощью формата 'e@yk', где yk соответствует OutputName свойство выхода. Измеренные входные каналы sys отбрасываются и шумовое отклонение обнуляется.
Если noise 'normalize'то noise2meas сначала нормирует
$e (t) = L v (t)$
noise_model представляет систему
$y (t) = H L v (t)$
или, эквивалентно, в представлении пространства состояний
$\begin{array}{l} \dot{x} (t) = A x (t) + K L v (t) \\ y (t) = C x (t) + L v (t) \end{array}$
Входные каналы называют с помощью формата 'v@yk', где yk соответствует OutputName свойство выхода.

Тип модели noise_model зависит от типа модели sys.

noise_model idtf модель, если sys idproc модель.
noise_model idss модель, если sys idgrey модель.
noise_model тот же тип модели как sys для всех других типов модели.

Получить коэффициенты модели noise_model в форме пространства состояний использовать ssdata. Точно так же, чтобы получить коэффициенты модели в форме передаточной функции, использовать tfdata.

Примеры

свернуть все

Преобразуйте шумовой компонент линейной идентифицированной модели в модель ввода/вывода

Скрипт Open Live Script

Преобразуйте модель timeseries в модель ввода/вывода, которая может использоваться линейными аналитическими инструментами.

Идентифицируйте модель timeseries.

load iddata9 z9
sys = ar(z9,4,'ls');

sys idpoly модель без входных параметров.

Преобразуйте sys к измеренной модели.

noise_model = noise2meas(sys);

noise_model idpoly модель с одним входом.

Можно использовать noise_model поскольку линейный анализ функционирует, такие как step, iopzmap, и т.д.

Нормализация шумового отклонения

Скрипт Open Live Script

Преобразуйте идентифицированную линейную модель в модель ввода/вывода и нормируйте ее шумовое отклонение.

Идентифицируйте линейную модель с помощью данных.

load twotankdata;
z = iddata(y,u,0.2);
sys = ssest(z,4);

sys idss модель, с шумовым отклонением 6.6211e-06. Значение $L$ sqrt(sys.NoiseVariance), который является 0.0026.

Просмотрите матрицу воздействия.

sys.K

ans = 4×1

    0.2719
    1.6570
   -0.6318
   -0.2877

Получите модель, которая поглощает шумовое отклонение sys.

noise_model_normalize = noise2meas(sys,'normalize');

noise_model_normalize idpoly модель.

Просмотрите $B$ матрица для noise_model_normalize

noise_model_normalize.B

ans = 4×1

    0.0007
    0.0043
   -0.0016
   -0.0007

Как ожидалось, noise_model_normalize.B равно L*sys.K.

Сравните предвещать ответ с моделью, которая игнорирует шумовое отклонение sys.

noise_model_innovation = noise2meas(sys,'innovations');
bodemag(noise_model_normalize,noise_model_innovation);
legend('Normalized noise variance','Ignored noise variance');

Figure contains an axes. The axes with title From: In(1) To: y1 contains 2 objects of type line. These objects represent Normalized noise variance, Ignored noise variance.

Различие между предвещать величинами noise_model_innovation и noise_model_normalized приблизительно 51 дБ. Как ожидалось различие в величине приблизительно равно 20*log10(L).

Представленный в R2012a

Документация