Загрузите оценочные данные.

load iddata2 z2

Оценка модели пространства состояния третьего порядка.

sys = ssest(z2,3);

Моделирование идентифицированной модели с использованием входных каналов из данных оценки.

y = sim(sys,z2);

Загрузите данные и получите идентифицированную модель.

load iddata2 z2
sys = n4sid(z2,3);

sys - модель состояния-пространства третьего порядка, оцененная методом подпространства.

Создайте набор опций моделирования, чтобы добавить шум к отклику моделируемой модели.

opt1 = simOptions('AddNoise',true);

Моделирование модели.

y = sim(sys,z2,opt1);

По умолчанию гауссовский белый шум фильтруется функцией передачи шума модели и добавляется к отклику моделируемой модели.

Также можно добавить собственный шумовой сигнал, e, с использованием NoiseData вариант.

e = randn(length(z2.u),1);
opt2 = simOptions('AddNoise',true,'NoiseData',e);

Моделирование модели.

y = sim(sys,z2,opt2);

Загрузить данные.

load iddata1 z1

Укажите опцию оценки для оценки начального состояния.

estimOpt = ssestOptions('InitialState','estimate');

Оцените модель «состояние-пространство» и верните значение расчетного начального состояния.

[sys,x0] = ssest(z1,2,estimOpt);

Укажите исходные условия для моделирования

simOpt = simOptions('InitialCondition',x0);

Смоделировать модель и получить отклик модели и стандартное отклонение.

[y,y_sd] = sim(sys,z1,simOpt);

Загрузить данные оценки и оценить модель состояния-пространства.

load iddata1 z1
sys = ssest(z1,2);

Верните стандартное отклонение и траекторию состояния.

[y,y_sd,x] = sim(sys,z1);

Загрузить данные оценки и оценить модель состояния-пространства.

load iddata1 z1
sys = ssest(z1,2);

Создайте набор опций моделирования и укажите начальные состояния.

opt = simOptions('InitialCondition',[1;2]);

Укажите ковариацию начальных состояний.

opt.X0Covariance = [0.1 0; 0 0.1];

Рассчитать стандартные отклонения смоделированной реакции, y_sdи траектория состояния, x_sd.

[y,y_sd,x,x_sd] = sim(sys,z1,opt);

Получение идентифицированной модели.

load iddata2 z2
sys = tfest(z2,3);

sys является idtf модель, которая инкапсулирует функцию переноса третьего порядка, оцененную для измеренных данных z2.

Моделирование модели.

sim(sys,z2)

Моделирование одновходовой нелинейной модели ARX вокруг известной точки равновесия с входным уровнем 1 и уровень выпуска 10.

Загрузите образцы данных.

load iddata2

Оцените нелинейную модель ARX на основе данных.

M = nlarx(z2,[2 2 1],'treepartition');

Оценка текущего состояния модели на основе прошлых данных. Укажите столько прошлых выборок, сколько имеется лагов во входных и выходных переменных (2 здесь).

x0 = data2state(M,struct('Input',ones(2,1),'Output',10*ones(2,1)));

Моделирование модели с использованием начальных состояний, возвращаемых data2state.

opt = simOptions('InitialCondition',x0);
sim(M,z2,opt)

Продолжите моделирование нелинейной модели ARX с конца предыдущего прогона моделирования.

Оцените нелинейную модель ARX на основе данных.

load iddata2
M = nlarx(z2,[2 2 1],'treepartition');

Моделирование модели с использованием первой половины входных данных z2. Начните моделирование с нулевых начальных состояний.

u1 = z2(1:200,[]); 
opt1 = simOptions('InitialCondition','zero');
ys1 = sim(M,u1,opt1);

Запуск другого моделирования с использованием второй половины входных данных z2. Используйте те же состояния модели, что и в конце первого моделирования.

u2 = z2(201:end,[]);

Чтобы правильно установить начальные состояния для второго моделирования, введите пакет u1 и выходные данные ys1 из первого моделирования в одно iddata объект. Передайте эти данные в качестве начальных условий для следующего моделирования.

firstSimData = [ys1,u1];
opt2 = simOptions('InitialCondition',firstSimData);
ys2 = sim(M,u2,opt2);

Проверка двух моделей путем сравнения с полным моделированием с использованием всех входных данных z2. Сначала извлеките весь набор входных данных.

uTotal = z2(:,[]); 
opt3 = simOptions('InitialCondition','zero'); 
ysTotal = sim(M,uTotal,opt3);

Постройте график трех ответов ys1, ys2 и ysTotal. ys1 должно быть равно первой половине ysTotal. ys2 должно быть равно второй половине ysTotal.

plot(ys1,'b',ys2,'g',ysTotal,'k*')

На графике видно, что три ответа ys1, ys2, и ysTotal перекрытие, как и ожидалось.

Оценка начальных состояний модели M таким образом, ответ лучше всего соответствует выходному сигналу в наборе данных z2.

Загрузите образцы данных.

load iddata2;

Оцените нелинейную модель ARX на основе данных.

M = nlarx(z2,[4 3 2],wavenet('NumberOfUnits',20));

Оценка начальных состояний M для наилучшего вписывания z2.y в смоделированном ответе.

x0 = findstates(M,z2,Inf);

Моделирование модели.

opt = simOptions('InitialCondition',x0);
ysim = sim(M,z2.u,opt);

Сравнение выходных данных моделируемой модели ysim с выходным сигналом в z2.

time = z2.SamplingInstants;
plot(time,ysim,time,z2.y,'.')

Начало моделирования модели в установившемся состоянии, где известно, что входной сигнал 1, но выход неизвестен.

Загрузите образцы данных.

load iddata2

Оцените нелинейную модель ARX на основе данных.

M = nlarx(z2,[4 3 2],'wavenet');

Определение значений состояния равновесия для ввода 1 и неизвестные целевые выходные данные.

x0 = findop(M,'steady',1, NaN);

Моделирование модели с использованием начальных состояний x0.

opt = simOptions('InitialCondition',x0);
sim(M,z2.u,opt)

Загрузите образцы данных.

load iddata2

Создайте модель Хаммерштейна-Винера.

M = nlhw(z2,[4 3 2],[],'pwlinear');

Вычисление значений установившейся рабочей точки, соответствующих входному уровню 1 и неизвестный уровень вывода.

x0 = findop(M,'steady',1,NaN);

Моделирование модели с использованием расчетных начальных состояний.

opt = simOptions('InitialCondition',x0);
sim(M,z2.u)

Загрузка данных временных рядов и оценка модели AR с использованием метода наименьших квадратов.

load iddata9 z9
sys = ar(z9,6,'ls');

Для данных временных рядов укажите требуемую длину моделирования N = 200, используя N-by-0 набор входных данных.

data = iddata([],zeros(200,0),z9.Ts);

Установите начальные условия для использования начальных выборок временного ряда в качестве выборок исторических выходных данных.

IC = struct('Input',[],'Output',z9.y(1:6));
opt = simOptions('InitialCondition',IC);

Моделирование модели.

sim(sys,data,opt)

Используйте исторические данные ввода-вывода в качестве прокси для начальных условий при моделировании модели. Сначала необходимо смоделировать с помощью sim и укажите исторические данные с помощью simOptions набор опций. Затем смоделированные выходные данные воспроизводятся путем сопоставления исторических данных с начальными состояниями вручную.

Загрузите набор данных с двумя входами и одним выходом.

load iddata7 z7

Определение модели пространства состояния пятого порядка с использованием данных.

sys = n4sid(z7,5);

Разбейте набор данных на две части.

zA = z7(1:15);
zB = z7(16:end);

Моделирование модели с использованием входного сигнала в zB.

uSim = zB;

Для моделирования требуются начальные условия. Значения сигнала в zA являются историческими данными, то есть они являются входными и выходными значениями для времени, непосредственно предшествующего данным в zB. Использовать zA в качестве прокси для требуемых начальных условий.

IO = struct('Input',zA.InputData,'Output',zA.OutputData);
opt = simOptions('InitialCondition',IO);

Моделирование модели.

ysim = sim(sys,uSim,opt);

Теперь воспроизведите выходные данные, вручную сопоставив исторические данные начальным состояниям sys. Для этого используйте data2state команда.

xf = data2state(sys,zA);

xf содержит значения состояния sys в момент непосредственно после последней выборки данных в zA.

Моделирование системы с помощью xf в качестве начальных состояний.

opt2 = simOptions('InitialCondition',xf);
ysim2 = sim(sys,uSim,opt2);

Постройте график выходных данных sim команда ysim и вычисленные вручную результаты ysim2.

plot(ysim,'b',ysim2,'--r')

ysim2 является таким же, как ysim.