Набор опции для n4sid
opt = n4sidOptions
opt = n4sidOptions(Name,Value)
opt = n4sidOptionsn4sid.
opt = n4sidOptions(Name,Value)Name,Value парные аргументы.
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.
'InitialState' — Обработка начальных состояний'estimate' (значение по умолчанию) | 'zero'Обработка начальных состояний во время оценки в виде одного из следующих значений:
'zero' — Начальное состояние обнуляется.
'estimate' — Начальное состояние обработано как независимый параметр оценки.
'N4Weight' — Схема Weighting используется для сингулярного разложения N4SID алгоритм'auto' (значение по умолчанию) | 'MOESP' | 'CVA' | 'SSARX'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].
Оценка с помощью данных частотного диапазона всегда использует 'CVA'.
'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. [4].
'auto' — Функция оценки выбирает между MOESP, CVA и SSARX алгоритмы.
'N4Horizon' — Передайте - и горизонты обратного предсказания, используемые N4SID алгоритм'auto' (значение по умолчанию) | векторный [r sy su] | k- 3 матрицыПередайте - и горизонты обратного предсказания, используемые алгоритмом N4SID в виде одного из следующих значений:
Вектор-строка с тремя элементами — [r sy su], где r максимальный прямой горизонт предсказания, использующий 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 [3] 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.
'Focus' — Ошибка, которая будет минимизирована'prediction' (значение по умолчанию) | 'simulation'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.
'WeightingFilter' — Взвешивание предварительного фильтра[] (значение по умолчанию) | вектор | матрица | массив ячеек | линейная системаВзвешивание 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.
'EnforceStability' — Управляйте, осуществить ли устойчивость моделиfalse (значение по умолчанию) | trueУправляйте, осуществить ли устойчивость предполагаемой модели в виде разделенной запятой пары, состоящей из 'EnforceStability' и любой true или false.
Типы данных: логический
'EstimateCovariance' — Управляйте, сгенерировать ли данные о ковариации параметраtrue (значение по умолчанию) | falseСредства управления, сгенерированы ли данные о ковариации параметра в виде true или false.
Если EstimateCovariance true, затем используйте getcov выбирать ковариационную матрицу из предполагаемой модели.
'Display' — Задайте, отобразить ли прогресс оценки'off' (значение по умолчанию) | 'on'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.
'InputOffset' — Удаление смещения от входных данных временного интервала во время оценки[] (значение по умолчанию) | вектор из положительных целых чисел | матрицаУдаление 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.
'OutputOffset' — Удаление смещения от выходных данных временного интервала во время оценки[] (значение по умолчанию) | вектор | матрицаУдаление 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.
'OutputWeight' — Взвешивание ошибок предсказания по мультивыходным оценкам[] (значение по умолчанию) | 'noise' | положительная полуопределенная симметрическая матрицаВзвешивание ошибок предсказания по мультивыходным оценкам в виде одного из следующих значений:
'noise' — Минимизировать , где E представляет ошибку предсказания и N количество выборок данных. Этот выбор оптимален в статистическом смысле и приводит к оценкам наибольшего правдоподобия в случае, если никакие данные не доступны об отклонении шума. Эта опция использует инверсию предполагаемого шумового отклонения как функция взвешивания.
Положительная полуопределенная симметрическая матрица (W) — Минимизируют трассировку взвешенной ошибочной матрицы предсказания trace(E'*E*W/N) где:
E матрица ошибок предсказания, с одним столбцом для каждого выхода. W положительная полуопределенная симметрическая матрица размера, равного количеству выходных параметров. Используйте W задавать 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.
'Advanced' — Дополнительные расширенные настройкиДополнительные расширенные настройки в виде структуры с полем MaxSize. MaxSize задает максимальное количество элементов в сегменте, когда данные ввода - вывода разделены в сегменты.
MaxSize должно быть положительное целое число.
Значение по умолчанию: 250000
opt — Опция установлена для n4sidn4sidOptions опция установленаНабор опции для n4sid, возвращенный как n4sidOptions опция установлена.
opt = n4sidOptions;
Создайте набор опций для n4sid использование 'zero' опция, чтобы инициализировать состояние. Установите Display к 'on'.
opt = n4sidOptions('InitialState','zero','Display','on');
В качестве альтернативы используйте запись через точку, чтобы установить значения opt.
opt = n4sidOptions; opt.InitialState = 'zero'; opt.Display = 'on';
Названия некоторой оценки и опций анализа были изменены в R2018a. Все еще работают предшествующие имена. Для получения дополнительной информации см., что информация о версии R2018a Переименовывает Оценки и Опций анализа.
[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, 1994, стр 61–74.
[3] Ljung, L. System Identification: теория для пользователя. Верхний Сэддл-Ривер, NJ: PTR Prentice Hall, 1999.
[4] Янссон, M. “Идентификация подпространства и моделирование ARX”. 13-й Симпозиум IFAC по System Identification, Роттердаму, Нидерланды, 2003.
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.