Набор опций для bj
opt = bjOptions
opt = bjOptions(Name,Value)
opt = bjOptionsbj.
opt = bjOptions(Name,Value)Name,Value аргументы пары.
Укажите дополнительные пары, разделенные запятыми Name,Value аргументы. Name является именем аргумента и Value - соответствующее значение. Name должен отображаться внутри кавычек. Можно указать несколько аргументов пары имен и значений в любом порядке как Name1,Value1,...,NameN,ValueN.
'InitialCondition' - Обработка исходных условий'auto' (по умолчанию) | 'zero' | 'estimate' | 'backcast'Обработка исходных условий при расчетах, указанных как одно из следующих значений:
'zero' - Начальные условия равны нулю.
'estimate' - Исходные условия рассматриваются как независимые оценочные параметры.
'backcast' - Начальные условия оцениваются с использованием наилучшего вписывания наименьших квадратов.
'auto' - Программное обеспечение выбирает способ обработки начальных условий на основе оценочных данных.
'Focus' - Минимизация ошибки'prediction' (по умолчанию) | 'simulation'Ошибка, которая должна быть минимизирована в функции потерь во время оценки, указанная как разделенная запятыми пара, состоящая из 'Focus' и одно из следующих значений:
'prediction' - Погрешность прогнозирования на один шаг вперед между измеренными и предсказанными выходами минимизируется во время оценки. В результате оценка фокусируется на создании хорошей модели предиктора.
'simulation' - Ошибка моделирования между измеренными и смоделированными выходами минимизируется во время оценки. В результате оценка фокусируется на обеспечении хорошего соответствия для моделирования реакции модели с текущими входными данными.
Focus может быть интерпретирован как весовой фильтр в функции потерь. Дополнительные сведения см. в разделах Функция потери и Показатели качества модели.
'WeightingFilter' - Предварительный фильтр взвешивания[] (по умолчанию) | вектор | матрица | массив ячеек | линейная системаВесовой предварительный фильтр, применяемый к функции потерь, которая должна быть минимизирована во время оценки. Чтобы понять эффект WeightingFilter для функции потерь см. раздел Функция потерь и Показатели качества модели.
Определить WeightingFilter как одно из следующих значений:
[] - Предварительный фильтр взвешивания не используется.
Полосы пропускания - укажите вектор строки или матрицу, содержащую значения частоты, определяющие нужные полосы пропускания. Выбирается полоса частот, в которой оптимизируется соответствие между расчетной моделью и оценочными данными. Например, [wl,wh], где wl и wh представляют собой нижний и верхний пределы полосы пропускания. Для матрицы с несколькими строками, определяющими полосы частот, [w1l,w1h;w2l,w2h;w3l,w3h;...]алгоритм оценки использует объединение частотных диапазонов для определения полосы пропускания оценки.
Пассбанды выражены в rad/TimeUnit для данных временной области и в FrequencyUnit для данных частотной области, где TimeUnit и FrequencyUnit являются единицами времени и частоты оценочных данных.
Фильтр SISO - задает линейный фильтр с одним входом и одним выходом (SISO) одним из следующих способов:
Модель LTI SISO
{A,B,C,D} формат, который задает матрицы состояния-пространства фильтра с тем же временем выборки, что и данные оценки.
{numerator,denominator} формат, который определяет числитель и знаменатель фильтра как передаточную функцию с тем же временем выборки, что и данные оценки.
Эта опция вычисляет весовую функцию как произведение фильтра и входного спектра для оценки передаточной функции.
'EnforceStability' - Контроль за обеспечением стабильности моделиfalse (по умолчанию) | trueУправление обеспечением стабильности расчетной модели, указанной как разделенная запятыми пара, состоящая из 'EnforceStability' и либо true или false.
Типы данных: logical
'EstimateCovariance' - Управление формированием ковариационных данных параметровtrue (по умолчанию) | falseУправляет формированием ковариационных данных параметров, указанных как true или false.
Если EstimateCovariance является true, затем использовать getcov чтобы извлечь матрицу ковариации из оценочной модели.
'Display' - Укажите, следует ли отображать ход выполнения оценки'off' (по умолчанию) | 'on'Укажите, следует ли отображать ход выполнения оценки, как одно из следующих значений:
'on' - Информация о структуре модели и результатах оценки отображается в окне просмотра хода выполнения.
'off' - Информация о ходе выполнения или результатах не отображается.
'InputOffset' - Удаление смещения из входных данных временной области при оценке[] (по умолчанию) | вектор положительных целых чисел | матрицаУдаление смещения из входных данных временной области во время оценки, указанной как разделенная запятыми пара, состоящая из 'InputOffset' и одно из следующих:
Вектор-столбец положительных целых чисел длины Nu, где Nu - количество входов.
[] - Указывает на отсутствие смещения.
Матрица Nu-by-Ne - для данных нескольких экспериментов укажите InputOffset в виде матрицы Nu-by-Ne. Nu - количество входов, а Ne - количество экспериментов.
Каждая запись, указанная InputOffset вычитается из соответствующих входных данных.
'OutputOffset' - Удаление смещения из выходных данных временной области при оценке[] (по умолчанию) | вектор | матрицаУдаление смещения из выходных данных временной области во время оценки, указанной как разделенная запятыми пара, состоящая из 'OutputOffset' и одно из следующих:
Вектор столбца длиной Ny, где Ny - количество выходов.
[] - Указывает на отсутствие смещения.
Матрица Ny-by-Ne - для данных нескольких экспериментов укажите OutputOffset в виде матрицы Ny-by-Ne. Ny - количество выходов, а Ne - количество экспериментов.
Каждая запись, указанная OutputOffset вычитается из соответствующих выходных данных.
'Regularization' - Варианты упорядоченной оценки параметров моделиВарианты регуляризованной оценки параметров модели. Дополнительные сведения о регуляризации см. в разделе Регуляризованные оценки параметров модели.
Regularization - структура со следующими полями:
Lambda - Константа, определяющая компромисс между отклонениями.
Укажите положительный скаляр, чтобы добавить термин регуляризации к оценочной стоимости.
Нулевое значение по умолчанию означает отсутствие регуляризации.
По умолчанию: 0
R - Матрица взвешивания.
Укажите вектор неотрицательных чисел или квадратную положительную полуопределенную матрицу. Длина должна быть равна количеству свободных параметров модели.
Для моделей черного ящика рекомендуется использовать значение по умолчанию. Для структурированных и серых моделей можно также указать вектор np положительные числа, так что каждая запись обозначает уверенность в значении ассоциированного параметра.
Значение по умолчанию 1 подразумевает значение eye(npfree), где npfree - количество свободных параметров.
По умолчанию: 1
Nominal - номинальное значение, к которому при расчетах подтягиваются свободные параметры.
Нулевое значение по умолчанию означает, что значения параметров приближаются к нулю. При уточнении модели можно задать значение 'model' для перемещения параметров в сторону значений параметров исходной модели. Для работы этого параметра начальные значения параметров должны быть конечными.
По умолчанию: 0
'SearchMethod' - Метод численного поиска, используемый для итеративной оценки параметров'auto' (по умолчанию) | 'gn' | 'gna' | 'lm' | 'grad' | 'lsqnonlin' | 'fmincon'Метод численного поиска, используемый для итеративной оценки параметров, определяемый как разделенная запятыми пара, состоящая из 'SearchMethod' и одно из следующих:
'auto' - комбинация алгоритмов поиска линии, 'gn', 'lm', 'gna', и 'grad' на каждой итерации последовательно пробуют способы. Используется первое направление спуска, ведущее к снижению стоимости оценки.
'gn' - Подпространство поиска наименьших квадратов Гаусса-Ньютона. Сингулярные значения матрицы Якобиана меньше GnPinvConstant*eps*max(size(J))*norm(J) отбрасываются при вычислении направления поиска. J - матрица Якобиана. Матрица Гессена аппроксимируется как JTJ. Если в этом направлении нет улучшений, функция пробует направление градиента.
'gna' - адаптивный подпространственный поиск Гаусса-Ньютона. Собственные значения меньше gamma*max(sv) гессенцы игнорируются, где sv содержит сингулярные значения гессенца. Направление Гаусса - Ньютона вычисляется в оставшемся подпространстве. гамма имеет начальное значение InitialGnaTolerance (см. Advanced в 'SearchOptions' для получения дополнительной информации. Это значение увеличивается на коэффициент LMStep каждый раз при поиске не удается найти меньшее значение критерия менее чем за пять делений. Это значение уменьшается на коэффициент 2*LMStep каждый раз при успешном поиске без каких-либо делений.
'lm' - поиск наименьших квадратов Левенберга-Марквардта, где следующим значением параметра является -pinv(H+d*I)*grad из предыдущего. H - гессен, I - тождественная матрица, а grad - градиент. d - число, которое увеличивается до тех пор, пока не будет найдено меньшее значение критерия.
'grad' - Самый крутой спуск поиск наименьших квадратов.
'lsqnonlin' - Алгоритм отражения области доверия lsqnonlin(Панель инструментов оптимизации). Требуется программное обеспечение Optimization Toolbox™.
'fmincon' - Ограниченные нелинейные решатели. Можно использовать последовательное квадратичное программирование (SQP) и алгоритмы, отражающие область доверия fmincon(Панель инструментов оптимизации) решатель. При наличии программного обеспечения Optimization Toolbox можно также использовать внутренние и активные алгоритмы fmincon решатель. Укажите алгоритм в SearchOptions.Algorithm вариант. fmincon алгоритмы могут привести к улучшению результатов оценки в следующих сценариях:
Проблемы минимизации с ограничениями при наличии ограничений, наложенных на параметры модели.
Структуры модели, в которых функция потерь является нелинейной или негладкой функцией параметров.
Оценка модели с несколькими выходами. Функция потери определителя минимизируется по умолчанию для оценки модели с множеством выходов. fmincon алгоритмы способны непосредственно минимизировать такие потери. Другие методы поиска, такие как 'lm' и 'gn' минимизировать функцию потерь определителя путем попеременной оценки дисперсии шума и уменьшения значения потерь для данного значения дисперсии шума. Следовательно, fmincon алгоритмы могут обеспечить лучшую эффективность и точность для оценок моделей с множеством выходов.
'SearchOptions' - Набор опций для алгоритма поискаНабор опций для алгоритма поиска, заданного как разделенная запятыми пара, состоящая из 'SearchOptions' и набор опций поиска с полями, зависящими от значения SearchMethod.
SearchOptions Структура при SearchMethod указано как 'gn', 'gna', 'lm', 'grad', или 'auto'
| Имя поля | Описание | Дефолт | ||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Tolerance | Минимальная процентная разница между текущим значением функции потерь и ожидаемым улучшением после следующей итерации, заданная как положительный скаляр. Когда процент ожидаемого улучшения меньше | 0.01 | ||||||||||||||||||||||||||||||
MaxIterations | Максимальное число итераций при минимизации функции потери, указанное как положительное целое число. Итерации останавливаются, когда Настройка Использовать | 20 | ||||||||||||||||||||||||||||||
Advanced | Дополнительные параметры поиска, указанные как структура со следующими полями:
| |||||||||||||||||||||||||||||||
SearchOptions Структура при SearchMethod указано как 'lsqnonlin'
| Имя поля | Описание | Дефолт |
|---|---|---|
FunctionTolerance | Допуск окончания для функции потерь, которую программное обеспечение минимизирует для определения оцененных значений параметров, заданных как положительный скаляр. Значение | 1e-5 |
StepTolerance | Допуск окончания для оцененных значений параметров, заданных как положительный скаляр. Значение | 1e-6 |
MaxIterations | Максимальное число итераций при минимизации функции потери, указанное как положительное целое число. Итерации останавливаются, когда Значение | 20 |
Advanced | Дополнительные параметры поиска, указанные как набор параметров для Дополнительные сведения см. в таблице Опции оптимизации (Optimization Options) в разделе Опции оптимизации (Optimization Options) (Панель инструментов оптимизации). | Использовать optimset('lsqnonlin') для создания набора опций по умолчанию. |
SearchOptions Структура при SearchMethod указано как 'fmincon'
| Имя поля | Описание | Дефолт |
|---|---|---|
Algorithm |
Дополнительные сведения о алгоритмах см. в разделах Ограниченные нелинейные алгоритмы оптимизации (панель инструментов оптимизации) и Выбор алгоритма (панель инструментов оптимизации). | 'sqp' |
FunctionTolerance | Допуск окончания для функции потерь, которую программное обеспечение минимизирует для определения оцененных значений параметров, заданных как положительный скаляр. | 1e-6 |
StepTolerance | Допуск окончания для оцененных значений параметров, заданных как положительный скаляр. | 1e-6 |
MaxIterations | Максимальное число итераций при минимизации функции потерь, указанное как положительное целое число. Итерации останавливаются, когда | 100 |
'Advanced' - Дополнительные дополнительные опцииДополнительные дополнительные параметры, указанные как структура со следующими полями:
ErrorThreshold - указывает, когда корректировать вес больших ошибок с квадратичного на линейный.
Ошибки больше, чем ErrorThreshold раз расчетное стандартное отклонение имеет линейный вес в функции потери. Стандартное отклонение оценивается надежно как медиана абсолютных отклонений от медианы ошибок прогнозирования, деленная на 0.7. Дополнительные сведения о надежных вариантах норм см. в разделе 15.2 [2].
ErrorThreshold = 0 отключает робустификацию и приводит к чисто квадратичной функции потерь. При оценке данных в частотной области программное обеспечение устанавливает ErrorThreshold до нуля. Для данных временной области, содержащих отклонения, попробуйте установить ErrorThreshold кому 1.6.
По умолчанию: 0
MaxSize - указывает максимальное количество элементов в сегменте при разделении данных ввода-вывода на сегменты.
MaxSize должно быть положительным целым числом.
По умолчанию: 250000
StabilityThreshold - Задает пороговые значения для тестов устойчивости.
StabilityThreshold - структура со следующими полями:
s - указывает расположение крайнего правого полюса для проверки стабильности моделей непрерывного времени. Модель считается стабильной, когда самый правый полюс находится слева от s.
По умолчанию: 0
z - максимальное расстояние между всеми полюсами от начала координат для проверки стабильности дискретных временных моделей. Модель считается стабильной, если все полюса находятся на расстоянии z от происхождения.
По умолчанию: 1+sqrt(eps)
AutoInitThreshold - указывает, когда автоматически оценивать начальное условие.
Начальное условие оценивается при
yp,e−ymeas‖>AutoInitThreshold
ymeas - измеренный выходной сигнал.
yp, z - прогнозируемый выход модели, оцененный с использованием нулевых начальных состояний.
yp, e - прогнозируемый выход модели, оцененный с использованием оцененных начальных состояний.
Применимо, когда InitialCondition является 'auto'.
По умолчанию: 1.05
opt - Параметры, установленные для bjbjOptions набор опцийНабор опций для bj, возвращено как bjOptions набор опций.
opt = bjOptions;
Создание набора параметров для bj использование нулевых исходных условий для оценки. Набор Display кому 'on'.
opt = bjOptions('InitialCondition','zero','Display','on');
Либо используйте точечную нотацию для установки значений opt.
opt = bjOptions; opt.InitialCondition = 'zero'; opt.Display = 'on';
Названия некоторых вариантов оценки и анализа были изменены в R2018a году. Прежние имена все еще работают. Дополнительные сведения см. в примечании к версии R2018a Переименование параметров оценки и анализа.
[1] Уиллс, Эдриан, Б. Ниннесс и С. Гибсон. «При градиентном поиске многопараметрических системных оценок». Материалы 16-го Всемирного конгресса МФБ, Прага, Чехия, 3-8 июля 2005 года. Оксфорд, Великобритания: Elsevier Ltd., 2005.
[2] Ljung, L. Идентификация системы: теория для пользователя. Река Верхнее Седло, Нью-Джерси: Prentice-Hall PTR, 1999.
Имеется измененная версия этого примера. Открыть этот пример с помощью изменений?
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.