Набор опций для n4sid
opt = n4sidOptions
opt = n4sidOptions(Name,Value)
opt = n4sidOptionsn4sid.
opt = n4sidOptions(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.
'InitialState' - Обработка начальных состояний'estimate' (по умолчанию) | 'zero'Обращение с начальными состояниями при оценке, заданными как одно из следующих значений:
'zero' - Начальное состояние устанавливается равным нулю.
'estimate' - Исходное состояние рассматривается как независимый оценочный параметр.
'N4Weight' - Схема взвешивания, используемая для разложения сингулярного значения по N4SID алгоритм'auto' (по умолчанию) | 'MOESP' | 'CVA' | 'SSARX'Схема взвешивания, используемая для разложения сингулярного значения по алгоритму N4SID, заданному как одно из следующих значений:
'MOESP' - Использует алгоритм MOESP по Верхегену [2].
'CVA' - Использует канонический вариативный алгоритм Ларимора [1].
Оценка с использованием данных частотной области используется всегда 'CVA'.
'SSARX' - метод идентификации подпространства, который использует алгоритм, основанный на оценке ARX, для вычисления взвешивания.
Этот параметр позволяет использовать несмещенные оценки при использовании данных, собираемых в режиме замкнутого цикла. Для получения дополнительной информации об алгоритме см. [4].
'auto' - Функция оценки выбирает между MOESP, CVA и SSARX алгоритмы.
'N4Horizon' - Горизонты прямого и обратного прогнозирования, используемые N4SID алгоритм'auto' (по умолчанию) | вектор [r sy su] | k-по-3 матрицаГоризонты прямого и обратного прогнозирования, используемые алгоритмом N4SID, задаются как одно из следующих значений:
Вектор строки с тремя элементами - [r sy su], где r - максимальный прямой горизонт прогнозирования, использующий до r предикторы шага вперед. sy - количество прошлых выходов, и su - количество прошлых входных данных, которые используются для прогнозов. Для получения дополнительной информации см. страницы 209 и 210 в [3]. Эти числа могут оказывать существенное влияние на качество получаемой модели, и простых правил их выбора не существует. Создание 'N4Horizon' a k-на-3 матрица означает, что каждая строка 'N4Horizon' и выбирается значение, которое дает наилучшее (прогнозное) соответствие данным. k - количество догадок [r sy su] комбинации. Если указать N4Horizon как один столбец, r = sy = su используется.
'auto' - Программное обеспечение использует информационный критерий Akaike (AIC) для выбора sy и su.
'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.
Весовой вектор - применяется только для данных частотной области. Укажите вектор столбца весов. Этот вектор должен иметь ту же длину, что и частотный вектор набора данных, Data.Frequency. Каждый входной и выходной отклик в данных умножается на соответствующий вес на этой частоте.
'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.
'OutputWeight' - Взвешивание ошибок прогнозирования в оценках с несколькими выходами[] (по умолчанию) | 'noise' | положительная полуопределенная симметричная матрицаВзвешивание ошибок прогнозирования в мультивыходных оценках, указанных как одно из следующих значений:
'noise' - минимизировать E/N), где E представляет ошибку прогнозирования иN - количество выборок данных. Этот выбор является оптимальным в статистическом смысле и приводит к оценкам максимального правдоподобия в случае отсутствия данных о дисперсии шума. Эта опция использует обратную оценочную дисперсию шума в качестве весовой функции.
Положительная полуопределённая симметричная матрица (W) - минимизировать трассировку матрицы взвешенных ошибок прогнозирования; trace(E'*E*W/N) где:
E - матрица ошибок прогнозирования с одним столбцом для каждого выходного сигнала. W - положительная полуопределённая симметричная матрица размером, равным числу выходов. Использовать W определить относительную важность выходных данных в моделях с несколькими выходами или надежность соответствующих данных.
N - количество выборок данных.
[] - Программное обеспечение выбирает между 'noise' или использование матрицы идентификаторов для W.
Эта опция релевантна только для моделей с несколькими выходами.
'Advanced' - Дополнительные дополнительные опцииДополнительные дополнительные параметры, указанные как структура с полем MaxSize. MaxSize задает максимальное количество элементов в сегменте при разделении данных ввода-вывода на сегменты.
MaxSize должно быть положительным целым числом.
По умолчанию: 250000
opt - Набор опций для n4sidn4sidOptions набор опцийНабор опций для n4sid, возвращено как n4sidOptions набор опций.
opt = n4sidOptions;
Создание набора параметров для n4sid с использованием 'zero' для инициализации состояния. Установите Display кому 'on'.
opt = n4sidOptions('InitialState','zero','Display','on');
Либо используйте точечную нотацию для установки значений opt.
opt = n4sidOptions; opt.InitialState = '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] Ларимор, W.E. «Канонический вариативный анализ в идентификации, фильтрации и адаптивном управлении». Материалы 29-й Конференции ИЭЭЭ по принятию решений и контролю, стр. 596-604, 1990 год.
[2] Верхеген, М. «Идентификация детерминированной части моделей пространства состояний MIMO». Automatica, том 30, 1994, стр. 61-74.
[3] Ljung, L. Идентификация системы: теория для пользователя. Река Верхнее Седло, Нью-Джерси: Prentice-Hall PTR, 1999.
[4] Янссон, М. «Идентификация подпространства и моделирование ARX». 13-й симпозиум IFAC по идентификации систем, Роттердам, Нидерланды, 2003.
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.