Оцените модель полинома ошибки на выходе с помощью данных частотного диапазона или временного интервала
Модели ошибки на выходе (OE) являются специальной настройкой полиномиальных моделей, имея только два активных полинома — B и F. Модели OE представляют обычные передаточные функции, которые связывают измеренные входные параметры с выходными параметрами в то время как также включая белый шум как аддитивное выходное воздействие. Можно оценить модели OE с помощью временного и частотного диапазона. tfest команда предлагает ту же функциональность как oeдля tfest, вы задаете порядки модели с помощью количества полюсов и нулей, а не полиномиальных степеней. Для оценки непрерывного времени, tfest обеспечивает более быстрые и более точные результаты и рекомендуется.
sys = oe(data,[nb
nf nk])sys, представленный
y (t) является выход, u (t) является входом, и e (t) является ошибкой.
oe оценки sys использование измеренных данных ввода - вывода data, который может быть во время или частотный диапазон. Порядки [nb nf nk] задайте количество параметров в каждом компоненте предполагаемого полинома.
sys = oe(data,[nb
nf nk],Name,Value)
[ возвращает предполагаемые начальные условия как sys,ic] = oe(___)initialCondition объект. Используйте этот синтаксис, если вы планируете симулировать или предсказать ответ модели с помощью тех же входных данных оценки и затем сравнить ответ с теми же выходными данными оценки. Слияние начальных условий дает к лучшему соответствию во время первой части симуляции.
Оцените полином OE из данных временного интервала с помощью двух методов, чтобы задать входную задержку.
Загрузите данные об оценке.
load iddata1 z1
Установите порядки B и полиномов F nb и nf. Установите входную задержку nk к одной выборке. Вычислите модель sys.
nb = 2; nf = 2; nk = 1; sys = oe(z1,[nb nf nk]);
Сравните симулированный ответ модели с измеренным выходом.
compare(z1,sys)
График показывает, что подходящий процент между симулированной моделью и данными об оценке больше 70%.
Вместо того, чтобы использовать nk, можно также использовать аргумент пары "имя-значение" 'InputDelay' задавать задержку с одной выборкой.
nk = 0;
sys1 = oe(z1,[nb nf nk],'InputDelay',1);
figure
compare(z1,sys1)
Результаты идентичны.
Можно просмотреть больше информации об оценке путем исследования idpoly свойство sys.Report.
sys.Report
ans =
Status: 'Estimated using OE'
Method: 'OE'
InitialCondition: 'zero'
Fit: [1x1 struct]
Parameters: [1x1 struct]
OptionsUsed: [1x1 idoptions.polyest]
RandState: [1x1 struct]
DataUsed: [1x1 struct]
Termination: [1x1 struct]
Например, узнайте больше информации об условиях завершения.
sys.Report.Termination
ans = struct with fields:
WhyStop: 'Near (local) minimum, (norm(g) < tol).'
Iterations: 3
FirstOrderOptimality: 0.0708
FcnCount: 7
UpdateNorm: 1.4809e-05
LastImprovement: 5.1744e-06
Отчет включает в себя информацию о количестве итераций и причины, которой оценка прекратила выполнять итерации.
Загрузите данные об оценке.
load oe_data1 data;
The idfrd объект data содержит частотную характеристику непрерывного времени для следующей модели:
Оцените модель.
nb = 2; nf = 3; sys = oe(data,[nb nf]);
Оцените качество подгонки.
compare(data,sys);
Оцените старшую модель OE из данных, собранных путем симуляции старшей системы. Определите константы регуляризации методом проб и ошибок и используйте значения для оценки модели.
Загрузите данные.
load regularizationExampleData.mat m0simdata
Оцените неупорядоченную модель OE порядка 30.
m1 = oe(m0simdata,[30 30 1]);
Получите упорядоченную модель OE путем определения значения Lambda с помощью метода проб и ошибок.
opt = oeOptions; opt.Regularization.Lambda = 1; m2 = oe(m0simdata,[30 30 1],opt);
Сравните выходные параметры модели с данными об оценке.
opt = compareOptions('InitialCondition','z'); compare(m0simdata,m1,m2,opt);
Упорядоченная модель m2 производит лучшую подгонку, чем неупорядоченная модель m1.
Сравните отклонение в ответах модели.
h = bodeplot(m1,m2); opt = getoptions(h); opt.PhaseMatching = 'on'; opt.ConfidenceRegionNumberSD = 3; opt.PhaseMatching = 'on'; setoptions(h,opt); showConfidence(h);
Упорядоченная модель m2 имеет уменьшаемое отклонение по сравнению с неупорядоченной моделью m1.
Загрузите данные об оценке data и шаг расчета Ts.
load oe_data2.mat data Ts
iddata объект data содержит частотную характеристику дискретного времени для следующей модели:
Просмотрите шаг расчета оценки Ts то, что вы загрузили.
Ts
Ts = 1.0000e-03
Это значение совпадает со свойством data.Ts.
data.Ts
ans = 1.0000e-03
Можно оценить непрерывную модель от data путем ограничения диапазонов частот ввода и вывода частотой Найквиста. Для этого задайте опцию предварительного фильтра оценки 'WeightingFilter'чтобы задать полосу пропускания от 0 к 0.5*pi/Ts рад/с. Программное обеспечение игнорирует любые значения отклика с частотами за пределами той полосы пропускания.
opt = oeOptions('WeightingFilter',[0 0.5*pi/Ts]); Установите Ts свойство к 0 обрабатывать data как данные непрерывного времени.
data.Ts = 0;
Оцените непрерывную модель.
nb = 1; nf = 3; sys = oe(data,[nb nf],opt);
Загрузите данные.
load iddata1ic z1i
Оцените полиномиальную модель sys OE и возвратите начальные условия в ic.
nb = 2; nf = 2; nk = 1; [sys,ic] = oe(z1i,[nb,nf,nk]); ic
ic =
initialCondition with properties:
A: [2x2 double]
X0: [2x1 double]
C: [0.9428 0.4824]
Ts: 0.1000
ic initialCondition объект, который инкапсулирует свободный ответ sys, в форме пространства состояний, к вектору начального состояния в X0. Можно включить ic когда вы симулируете sys с z1i входной сигнал и сравнивает ответ с z1i выходной сигнал.
armax | arx | bj | compare | iddata | idfrd | idpoly | iv4 | n4sid | oeOptions | polyest | sim | tfest