recursiveARX

Создайте Системный объект для онлайновой оценки параметра модели ARX

Синтаксис

obj = recursiveARX
obj = recursiveARX(Orders)
obj = recursiveARX(Orders,A0,B0)
obj = recursiveARX(___,Name,Value)

Описание

Использование recursiveARX команда для оценки параметра с данными реального времени. Если все данные, необходимые для оценки, доступны целиком, и вы оцениваете независимую от времени модель, используете оффлайновую команду оценки, arx.

obj = recursiveARX создает Систему object™ для онлайновой оценки параметра структуры модели ARX по умолчанию. Структура модели по умолчанию имеет полиномы порядка 1 и начальных полиномиальных содействующих значений eps.

После создания объекта используйте step команда, чтобы обновить оценки параметра модели с помощью рекурсивных алгоритмов оценки и данных реального времени.

obj = recursiveARX(Orders) задает полиномиальные порядки модели ARX, которая будет оценена.

obj = recursiveARX(Orders,A0,B0) задает полиномиальные порядки и начальные значения полиномиальных коэффициентов.

obj = recursiveARX(___,Name,Value) задает дополнительные атрибуты структуры модели ARX и рекурсивного алгоритма оценки с помощью одного или нескольких Name,Value парные аргументы.

Описание объекта

recursiveARX создает Системный объект для онлайновой оценки параметра одно входа одно выхода (SISO), или несколько - вводят одно выход (MISO) модели ARX с помощью рекурсивного алгоритма оценки.

Системный объект является специализированным объектом MATLAB®, специально разработанным для реализации и симуляции динамических систем с входными параметрами то изменение в зависимости от времени. Системные объекты используют внутренние состояния, чтобы сохранить прошлое поведение, которое используется на следующем вычислительном шаге.

После того, как вы создадите Системный объект, вы используете команды, чтобы обработать данные или получить информацию из или об объекте. Системные объекты используют минимум двух команд, чтобы обработать данные — конструктор, чтобы создать объект и step команда, чтобы обновить параметры объекта с помощью данных реального времени. Это разделение объявления от выполнения позволяет вам создать несколько, персистентные, допускающие повторное использование объекты, каждого с различными настройками.

Можно использовать следующие команды с онлайновыми Системными объектами оценки в System Identification Toolbox™:

КомандаОписание
step

Обновите оценки параметра модели с помощью рекурсивных алгоритмов оценки и данных реального времени.

step помещает объект в заблокированное состояние. В заблокированном состоянии вы не можете изменить ненастраиваемые свойства или ввести технические требования, такие как порядок модели, тип данных или алгоритм оценки. Во время выполнения можно только изменить настраиваемые свойства.

release

Разблокируйте Системный объект. Используйте эту команду, чтобы позволить установить ненастраиваемых параметров.

reset

Сбросьте внутренние состояния заблокированного Системного объекта к начальным значениям и оставьте объект заблокированным.

clone

Создайте другой Системный объект с теми же значениями свойства объекта.

Не создавайте дополнительные объекты с помощью синтаксиса obj2 = obj. Любые изменения, внесенные в свойства нового объекта, создали этот путь (obj2) также измените свойства исходного объекта (obj).

isLocked

Запросите заблокированное состояние для входных атрибутов и ненастраиваемых свойств Системного объекта.

Используйте recursiveARX команда, чтобы создать онлайновый Системный объект оценки. Затем оцените параметры модели ARX (A и B) и выход с помощью step команда с входящими входными и выходными данными, u и y.

[A,B,EstimatedOutput] = step(obj,y,u)

Для recursiveARX свойства объектов, смотрите Свойства.

Примеры

свернуть все

Создайте Системный объект для онлайновой оценки параметра модели SISO ARX.

obj = recursiveARX;

Модель ARX имеет структуру по умолчанию полиномами порядка 1 и начальных полиномиальных содействующих значений, eps.

Загрузите данные об оценке. В этом примере используйте статический набор данных для рисунка.

load iddata1 z1;
output = z1.y;
input = z1.u;

Оцените параметры модели ARX онлайн с помощью step.

for i = 1:numel(input)
[A,B,EstimatedOutput] = step(obj,output(i),input(i));
end

Просмотрите текущие ориентировочные стоимости полиномиального B коэффициенты.

obj.B
ans = 1×2

         0    0.7974

Просмотрите текущую оценку ковариации параметров.

obj.ParameterCovariance
ans = 2×2

    0.0002    0.0001
    0.0001    0.0034

Просмотрите текущий предполагаемый вывод.

EstimatedOutput
EstimatedOutput = -4.7766

Задайте порядки модели ARX и задержки.

na = 1;
nb = 2;
nk = 1;

Создайте Системный объект для онлайновой оценки модели SISO ARX с известными начальными полиномиальными коэффициентами.

A0 = [1 0.5];
B0 = [0 1 1];
obj = recursiveARX([na nb nk],A0,B0);

Задайте начальную ковариацию параметра.

obj.InitialParameterCovariance = 0.1;

InitialParameterCovariance представляет неопределенность в вашем предположении для начальных параметров. Как правило, InitialParameterCovariance по умолчанию (10000) является слишком большим относительно значений параметров. Это приводит к исходным предположениям, высказанным меньше важности во время оценки. Если вы уверены в начальных предположениях параметра, задаете меньшую начальную ковариацию параметра.

Задайте порядки и задержки модели ARX с двумя входными параметрами и одним выходом.

na = 1;
nb = [2 1];
nk = [1 3];

nb и nk заданы как векторы-строки из длины, равной количеству входных параметров, Ню.

Задайте начальные полиномиальные коэффициенты.

A0 = [1 0.5];
B0 = [0 1 1 0; 0 0 0 0.8];

B0 имеет строки Ню и max(nb+nk) столбцы. I-ая строка соответствует i-ому входу и задана как наличие nk(i) нули, сопровождаемые nb(i) начальные значения. Значения после nb(i)+nk(i) проигнорированы.

Создайте Системный объект для онлайновой оценки модели ARX с известными начальными полиномиальными коэффициентами.

obj = recursiveARX([na nb nk],A0,B0);

Создайте Системный объект, который использует нормированный алгоритм градиента для онлайновой оценки параметра модели ARX.

obj = recursiveARX([1 2 1],'EstimationMethod','NormalizedGradient');

Входные параметры

свернуть все

Порядки модели и задержки модели ARX в виде 1 3 вектора из целых чисел или векторов, [na nb nk].

  • na — Порядок полиномиального A (q) в виде неотрицательного целого числа.

  • nb — Порядок полиномиального B (q) + 1 в виде 1 Nu вектором из положительных целых чисел. Nu является количеством входных параметров.

    Для моделей MISO существует столько же B (q) полиномы сколько количество входных параметров. nb(i) порядок i th полиномиальный Bi (q) +1 для i th вход.

  • nk — Задержка ввода - вывода в виде 1 Nu вектором из неотрицательных целых чисел. Nu является количеством входных параметров.

    Для моделей MISO существует столько же B (q) полиномы сколько количество входных параметров. nk(i) время задержки ввода - вывода, соответствуя i th вход.

Начальное значение коэффициентов A (q) и B (q) полиномы в виде вектора-строки и матричных или действительных значений, соответственно. Укажите элементы в порядке возрастающих степеней q-1.

  • A0 — Начальное значение для коэффициентов полиномиального A (q) в виде 1 на (na+1) вектор-строка с 1 как первый элемент.

  • B0 — Начальное значение для коэффициентов полиномиального B (q) в виде Nu-by-max(nb+nk) матрица. Nu является количеством входных параметров.

    Для моделей MISO существует столько же B (q) полиномы сколько количество входных параметров. i th строка B0 соответствует i th вход и должен содержать nk(i) начальные нули, сопровождаемые nb(i) начальные значения параметров. Записи вне nk(i)+nb(i) проигнорированы.

na, nb, и nk Orders из модели.

Определение как [], использует значение по умолчанию eps для полиномиальных коэффициентов.

Если начальные значения параметров намного меньше, чем InitialParameterCovariance, этим начальным значениям дают меньше важности во время оценки. Задайте меньшую начальную ковариацию параметра, если у вас есть высокое доверие к начальным значениям параметров. Этот оператор применяется только для оценки бесконечной истории. Оценка конечной истории не использует InitialParameterCovariance.

Аргументы в виде пар имя-значение

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 перезаписываемые свойства recursiveARX Системный объект во время создания объекта. Например, obj = recursiveARX([2 2 1],'EstimationMethod','Gradient') создает Системный объект, чтобы оценить модель ARX с помощью 'Gradient' рекурсивный алгоритм оценки.

Свойства

recursiveARX Свойства системного объекта состоят из и перезаписываемых свойств только для чтения. Перезаписываемые свойства являются настраиваемыми и ненастраиваемыми свойствами. Ненастраиваемые свойства не могут быть изменены, когда объект заблокирован, то есть, после того, как вы используете step команда.

Используйте Name,Value аргументы, чтобы задать перезаписываемые свойства recursiveARX объекты во время создания объекта. После создания объекта используйте запись через точку, чтобы изменить настраиваемые свойства.

obj = recursiveARX;
obj.ForgettingFactor = 0.99;

A

Предполагаемые коэффициенты полиномиального A (q), возвращенный как вектор-строка из действительных значений, заданы в порядке возрастающих степеней q-1.

A свойство только для чтения и первоначально пусто после того, как вы создадите объект. Это заполняется после того, как вы будете использовать step команда для онлайновой оценки параметра.

B

Предполагаемые коэффициенты полиномиального B (q), возвращенный как Nu-by-max(nb+nk) матрица действительных значений. Nu является количеством входных параметров.

i th строка B соответствует i th вход и содержит nk(i) начальные нули, сопровождаемые nb(i) предполагаемые параметры, заданные в порядке возрастающих степеней q-1. Проигнорируйте нулевые записи вне nk(i)+nb(i).

B свойство только для чтения и первоначально пусто после того, как вы создадите объект. Это заполняется после того, как вы будете использовать step команда для онлайновой оценки параметра.

InitialA

Начальные значения для коэффициентов полиномиального A (q) порядка naВ виде вектора-строки из длины na+1, с 1 как первый элемент. Задайте коэффициенты в порядке возрастающих степеней q-1.

Если исходные предположения намного меньше, чем InitialParameterCovariance по умолчанию, 10000, исходные предположения высказаны меньше важности во время оценки. В этом случае задайте меньшую начальную ковариацию параметра.

InitialA настраиваемое свойство. Можно изменить его, когда объект находится в заблокированном состоянии.

Значение по умолчанию: [1 eps]

InitialB

Начальные значения для коэффициентов полиномиального B (q) в виде Nu-by-max(nb+nk) матрица. Nu является количеством входных параметров.

Для моделей MISO существует столько же B (q) полиномы сколько количество входных параметров. i th строка B0 соответствует i th вход и должен содержать nk(i) нули, сопровождаемые nb(i) начальные значения параметров. Записи вне nk(i)+nb(i) проигнорированы.

Если исходные предположения намного меньше, чем InitialParameterCovariance по умолчанию, 10000, исходные предположения высказаны меньше важности во время оценки. В этом случае задайте меньшую начальную ковариацию параметра.

InitialB настраиваемое свойство. Можно изменить его, когда объект находится в заблокированном состоянии.

Значение по умолчанию: [0 eps]

InitialOutputs

Начальные значения измеренных выходных параметров буферизуют по оценке конечной истории в виде 0 или как (W +na)-by-1 вектор, где W является длиной окна и na порядок полиномиального A (q), который вы задаете при построении объекта.

InitialOutputs свойство обеспечивает средние значения управления начальным поведением алгоритма.

Когда InitialOutputs установлен в 0, объект заполняет буфер с нулями.

Если начальный буфер установлен в 0 или не содержит достаточно информации, вы видите предупреждающее сообщение во время начальной фазы вашей оценки. Предупреждение должно очиститься после нескольких циклов. Количество циклов, которые это берет для достаточной информации, которая будет буферизована, зависит от порядка ваших полиномов и ваших входных задержек. Если предупреждение сохраняется, необходимо оценить содержимое сигналов.

Задайте InitialOutputs только, когда History isfinite.

InitialOutputs настраиваемое свойство. Можно изменить InitialOutputs когда объект находится в заблокированном состоянии.

Значение по умолчанию: 0

InitialInputs

Начальные значения входных параметров в конечном окне истории в виде 0 или как (W-1+max (nb) +max (nk))-by-nu матрица, где W является длиной окна и nu, количество входных параметров. nb является вектором из B (q), полиномиальные порядки и nk являются вектором из входных задержек, которые вы задаете при построении recursiveARX объект.

InitialInputs свойство обеспечивает средние значения управления начальным поведением алгоритма.

Когда InitialInputs установлен в 0, объект заполняет буфер с нулями.

Если начальный буфер установлен в 0 или не содержит достаточно информации, вы видите предупреждающее сообщение во время начальной фазы вашей оценки. Предупреждение должно очиститься после нескольких циклов. Количество циклов, которые это берет для достаточной информации, которая будет буферизована, зависит от порядка ваших полиномов и ваших входных задержек. Если предупреждение сохраняется, необходимо оценить содержимое сигналов.

Задайте InitialInputs только, когда History isfinite.

InitialInputs настраиваемое свойство. Можно изменить InitialInputs когда объект находится в заблокированном состоянии.

Значение по умолчанию: 0

ParameterCovariance

Предполагаемая ковариация P из параметров, возвращенных как N-by-N симметричная положительно-определенная матрица. N является количеством параметров, которые будут оценены. Программное обеспечение вычисляет P при предположении, что остаточные значения (различие между предполагаемыми и измеренными выходными параметрами) являются белым шумом, и отклонение этих остаточных значений равняется 1.

ParameterCovariance применимо только когда EstimationMethod 'ForgettingFactor' или 'KalmanFilter' или когда History isfinite.

Интерпретация P зависит от ваших настроек для History и EstimationMethod свойства.

  • Если History Infinite, затем ваш EstimationMethod выбор приводит к одному из следующего:

    • 'ForgettingFactor' — (R2 /2P приблизительно равно ковариационной матрице предполагаемых параметров, где R2 является истинным отклонением остаточных значений.

    • 'KalmanFilter'R2 P ковариационная матрица предполагаемых параметров, и R1/R2 является ковариационной матрицей изменений параметра. Здесь, R1 является ковариационной матрицей, которую вы задаете в ProcessNoiseCovariance.

  • Если History isfinite (оценка раздвижного окна) — R2 P ковариация предполагаемых параметров. Алгоритм раздвижного окна не использует эту ковариацию в процессе оценки параметра. Однако алгоритм действительно вычисляет ковариацию для выхода так, чтобы можно было использовать его для статистической оценки.

ParameterCovariance свойство только для чтения и первоначально пусто после того, как вы создадите объект. Это заполняется после того, как вы будете использовать step команда для онлайновой оценки параметра.

InitialParameterCovariance

Ковариация начального параметра оценивает в виде одного из следующего:

  • Действительная положительная скалярная величина, α — Ковариационной матрицей является N-by-N диагональная матрица с α как диагональные элементы. N является количеством параметров, которые будут оценены.

  • Вектором из действительных положительных скалярных величин, [α 1..., α N] — Ковариационная матрица является N-by-N диагональная матрица, с [α 1..., α N] как диагональные элементы.

  • N-by-N симметричная положительно-определенная матрица.

InitialParameterCovariance представляет неопределенность в начальных оценках параметра. Для больших значений InitialParameterCovariance, меньше важности помещается в начальные значения параметров и больше в результаты измерений в течение начала использования оценки step.

Используйте только когда EstimationMethod 'ForgettingFactor' или 'KalmanFilter'.

InitialParameterCovariance настраиваемое свойство. Можно изменить его, когда объект находится в заблокированном состоянии.

Значение по умолчанию: 10000

EstimationMethod

Рекурсивный алгоритм оценки использовал для онлайновой оценки параметров модели в виде одного из следующих значений:

  • 'ForgettingFactor' — Алгоритм используется для оценки параметра

  • 'KalmanFilter' — Алгоритм используется для оценки параметра

  • 'NormalizedGradient' — Алгоритм используется для оценки параметра

  • 'Gradient' — Ненормированный алгоритм градиента используется для оценки параметра

Упущение фактора и алгоритмов Фильтра Калмана более в вычислительном отношении интенсивно, чем градиент и ненормированные градиентные методы. Однако у них есть лучшие свойства сходимости. Для получения информации об этих алгоритмах смотрите Рекурсивные алгоритмы для Онлайновой Оценки Параметра.

Эти методы все использование бесконечная история данных, и доступны только когда History 'Infinite'.

EstimationMethod ненастраиваемое свойство. Вы не можете изменить его во время выполнения, то есть, после того, как объект будет заблокирован с помощью step команда.

Значение по умолчанию: Forgetting Factor

ForgettingFactor

Забывая фактор, λ, важный для оценки параметра в виде скаляра в области значений (0,1].

Предположим, что система остается приблизительно постоянной по выборкам T0. Можно выбрать λ, таким образом что:

T0=11λ

  • Установка λ = 1 не соответствует “никакому упущению” и оценке постоянных коэффициентов.

  • Установка λ <1 подразумевает, что прошлые измерения являются менее значительными для оценки параметра и могут быть “забыты”. Установите λ <1 оценивать изменяющиеся во времени коэффициенты.

Типичный выбор λ находится в области значений [0.98 0.995].

Используйте только когда EstimationMethod 'ForgettingFactor'.

ForgettingFactor настраиваемое свойство. Можно изменить его, когда объект находится в заблокированном состоянии.

Значение по умолчанию: 1

EnableAdapation

Включите или отключите оценку параметра в виде одного из следующего:

  • true или 1step команда оценивает значения параметров для того временного шага и обновляет значения параметров.

  • false или 0step команда не обновляет параметры для того временного шага и вместо этого выводит последнюю ориентировочную стоимость. Можно использовать эту опцию, когда система переходит к режиму, где значения параметров не меняются в зависимости от времени.

    Примечание

    Если вы устанавливаете EnableAdapation к false, необходимо все еще выполниться step команда. Не пропускать step сохранить значения параметров постоянными, потому что оценка параметра зависит от текущих и прошлых измерений ввода-вывода. step гарантирует, что прошлые данные о вводе-выводе хранятся, даже когда они не обновляют параметры.

EnableAdapation настраиваемое свойство. Можно изменить его, когда объект находится в заблокированном состоянии.

Значение по умолчанию: true

DataType

Точность с плавающей точкой параметров в виде одного из следующих значений:

  • 'double' Плавающая точка двойной точности

  • 'single' Плавающая точка с одинарной точностью

Установка DataType к 'single' сохраняет память, но приводит к потере точности. Задайте DataType на основе точности, требуемой целевым процессором, где вы развернете сгенерированный код.

DataType ненастраиваемое свойство. Это может только быть установлено во время объектной конструкции с помощью Name,Value аргументы и не могут быть изменены позже.

Значение по умолчанию: 'double'

ProcessNoiseCovariance

Ковариационная матрица изменений параметра в виде одного из следующего:

  • Действительный неотрицательный скаляр, α — Ковариационной матрицей является N-by-N диагональная матрица с α как диагональные элементы.

  • Вектором из действительных неотрицательных скаляров, [α 1..., α N] — Ковариационная матрица является N-by-N диагональная матрица, с [α 1..., α N] как диагональные элементы.

  • N-by-N симметричная положительная полуопределенная матрица.

N является количеством параметров, которые будут оценены.

ProcessNoiseCovariance применимо когда EstimationMethod 'KalmanFilter'.

Алгоритм фильтра Калмана обрабатывает параметры как состояния динамической системы и оценивает эти параметры с помощью Фильтра Калмана. ProcessNoiseCovariance ковариация шума процесса, действующего на эти параметры. Нулевые значения в шумовой ковариационной матрице соответствуют оценке постоянных коэффициентов. Значения, больше, чем 0, соответствуют изменяющимся во времени параметрам. Используйте большие значения для того, чтобы быстро изменить параметры. Однако большие значения приводят к более шумным оценкам параметра.

ProcessNoiseCovariance настраиваемое свойство. Можно изменить его, когда объект находится в заблокированном состоянии.

Значение по умолчанию: 0.1

AdaptationGain

Усиление адаптации, γ, использовало в градиенте рекурсивные алгоритмы оценки в виде положительной скалярной величины.

AdaptationGain применимо когда EstimationMethod 'Gradient' или 'NormalizedGradient'.

Задайте большое значение для AdaptationGain когда ваши измерения имеют высокое отношение сигнал-шум.

AdaptationGain настраиваемое свойство. Можно изменить его, когда объект находится в заблокированном состоянии.

Значение по умолчанию: 1

NormalizationBias

Сместите в масштабировании усиления адаптации, используемом в 'NormalizedGradient' метод в виде неотрицательного скаляра.

NormalizationBias применимо когда EstimationMethod 'NormalizedGradient'.

Нормированный алгоритм градиента делит усиление адаптации на каждом шаге квадратом 2D нормы вектора градиента. Если градиент близко к нулю, это может вызвать скачки в предполагаемых параметрах. NormalizationBias термин, введенный в знаменателе, чтобы предотвратить эти скачки. Увеличьте NormalizationBias если вы наблюдаете скачки в предполагаемых параметрах.

NormalizationBias настраиваемое свойство. Можно изменить его, когда объект находится в заблокированном состоянии.

Значение по умолчанию: eps

History

Определение типа истории данных, в виде какого типа рекурсивного алгоритма вы используете:

  • 'Infinite' — Используйте алгоритм, который стремится минимизировать ошибку между наблюдаемыми и предсказанными выходными сигналами, навсегда продвигается с начала симуляции.

  • 'Finite' — Используйте алгоритм, который стремится минимизировать ошибку между наблюдаемыми и предсказанными выходными сигналами для конечного числа прошлых временных шагов.

Алгоритмы с бесконечной историей стремятся производить оценки параметра, которые объясняют все данные начиная с запуска симуляции. Эти алгоритмы все еще используют установленную сумму памяти, которая не растет в зависимости от времени. Объект предоставляет несколько алгоритмов 'Infinite' History ввод. Определение этой опции активирует EstimationMethod свойство, с которым вы задаете алгоритм.

Алгоритмы с конечной историей стремятся производить оценки параметра, которые объясняют только конечное число прошлых выборок данных. Этот метод также называется оценкой sliding-window. Объект предоставляет один алгоритм 'Finite' ввод. Определение этой опции активирует WindowLength свойство это измеряет окно.

Для получения дополнительной информации о рекурсивных методах оценки смотрите Рекурсивные алгоритмы для Онлайновой Оценки Параметра.

History ненастраиваемое свойство. Это может быть установлено только во время объектной конструкции с помощью Name,Value аргументы и не могут быть изменены позже.

Значение по умолчанию: 'Infinite'

WindowLength

Размер окна, определяющий количество выборок времени, чтобы использовать для метода оценки раздвижного окна в виде положительного целого числа. Задайте WindowLength только, когда History isfinite.

Выберите размер окна, который балансирует эффективность оценки с нагрузки памяти и вычислительного. Измеряющие факторы включают номер и отклонение времени параметров в вашей модели. Всегда задавайте Window Length в выборках, даже если вы используете основанную на системе координат входную обработку.

WindowLength должен быть больше или быть равен количеству предполагаемых параметров.

Подходящая длина окна независима от того, используете ли вы основанную на выборке или основанную на системе координат входную обработку (см. InputProcessing). Однако при использовании основанной на системе координат обработки, ваша длина окна должна быть больше или быть равна количеству выборок (временные шаги), содержавшиеся в системе координат.

WindowLength ненастраиваемое свойство. Это может быть установлено только во время объектной конструкции с помощью Name,Value аргументы и не могут быть изменены позже.

Значение по умолчанию: 200

InputProcessing

Опция для основанной на выборке или основанной на системе координат входной обработки в виде вектора символов или строки.

  • Sample-based обработка работает с сигналами, передал одну выборку потоком за один раз.

  • Frame-based обработка работает с сигналами, содержащими выборки от нескольких временных шагов. Много датчиков машины соединяют интерфейсом с пакетом несколько выборок и передачи эти выборки вместе в системах координат. Frame-based обработка позволяет вам вводить эти данные непосредственно, не имея необходимость сначала распаковывать его.

Ваш InputProcessing спецификация влияет на размерности для сигналов ввода и вывода при использовании step команда:

[theta,EstimatedOutput] = step(obj,y,u)

  • Sample-based

    • y и EstimatedOutput скаляры.

    • u 1 Nu вектором, где Nu является количеством входных параметров.

    • Frame-based с выборками M на систему координат

      • y и EstimatedOutput M-by-1 векторы.

      • u M-by-Nu матрица.

InputProcessing ненастраиваемое свойство. Это может быть установлено только во время объектной конструкции с помощью Name,Value аргументы и не могут быть изменены позже.

Значение по умолчанию: 'Sample-based'

Выходные аргументы

свернуть все

Системный объект для онлайновой оценки параметра модели ARX, возвращенной как a recursiveARX Системный объект. Этот объект создается с помощью заданных порядков модели и свойств. Использование step команда, чтобы оценить коэффициенты полиномов модели ARX. Можно затем получить доступ к предполагаемым коэффициентам и ковариации параметра с помощью записи через точку. Например, введите obj.A просмотреть предполагаемые коэффициенты полинома A.

Больше о

свернуть все

Структура модели ARX

Структура модели ARX:

y(t)+a1y(t1)+...+anay(tna)=b1u(tnk)+...+bnbu(tnbnk+1)+e(t)

Параметры na и nb порядки модели ARX и nk задержка.

  • y(t)— Выведите во время t.

  • na — Количество полюсов.

  • nb — Количество обнуляет плюс 1.

  • nk — Количество входных выборок, которые происходят перед входом, влияет на выход, также названный потерей времени в системе.

  • y(t1)y(tna) — Предыдущие выходные параметры, от которых зависит текущая производительность.

  • u(tnk)u(tnknb+1) — Предыдущие и задержанные входные параметры, от которых зависит текущая производительность.

  • e(t) — Бело-шумовое значение воздействия.

Более компактный способ записать разностное уравнение

A(q)y(t)=B(q)u(tnk)+e(t)

q является оператором задержки. А именно,

A(q)=1+a1q1++anaqna

B(q)=b1+b2q1++bnbqnb+1

Советы

  • Запуск в R2016b, вместо того, чтобы использовать step команда, чтобы обновить оценки параметра модели, можно вызвать Системный объект с входными параметрами, как будто это была функция. Например, [A,B,EstimatedOutput] = step(obj,y,u) и [A,B,EstimatedOutput] = obj(y,u) выполните эквивалентные операции.

Расширенные возможности

Введенный в R2015b
Для просмотра документации необходимо авторизоваться на сайте