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)=Gu(t)+He(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

x˙(t)=Ax(t)+Bu(t)+Ke(t)y(t)=Cx(t)+Du(t)+e(t)e(t)=Lv(t)

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)=He(t)

    Эквивалентное представление пространства состояний noise_model

    x˙(t)=Ax(t)+Ke(t)y(t)=Cx(t)+e(t)

    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)=Lv(t)

    noise_model представляет систему

    y(t)=HLv(t)

    или, эквивалентно, в представлении пространства состояний

    x˙(t)=Ax(t)+KLv(t)y(t)=Cx(t)+Lv(t)

    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 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.

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).

Смотрите также

| | | |

Представленный в R2012a
Для просмотра документации необходимо авторизоваться на сайте