Оценка полиномиальной модели с использованием данных временной или частотной области
sys = polyest(data,[na nb nc nd nf nk])
sys = polyest(data,[na nb nc nd nf nk],Name,Value)
sys = polyest(data,init_sys)
sys = polyest(___, opt)
[sys,ic] = polyest(___)
sys = polyest(data,[na nb nc nd nf nk])sys, используя данные временной или частотной области, data.
sys имеет вид
+ C (q) D (q) e (t)
A (q), B (q), F (q), C (q) и D (q) являются полиномиальными матрицами. u (t) является входом, иnk - входная задержка. y (t) - выходной сигнал, а e (t) - сигнал возмущения.na ,nb, nc, nd и nf являются порядками многочленов A (q), B (q), C (q), D (q) и F (q) соответственно.
sys = polyest(data,[na nb nc nd nf nk],Name,Value)Name,Value аргументы пары.
sys = polyest(data,init_sys)init_sys для конфигурирования начальной параметризации.
sys = polyest(___, opt)opt, чтобы задать поведение оценки.
[ возвращает оцененные начальные условия в виде sys,ic] = polyest(___)initialCondition объект. Используйте этот синтаксис, если планируется смоделировать или спрогнозировать отклик модели с использованием тех же входных данных оценки, а затем сравнить отклик с теми же выходными данными оценки. Включение начальных условий дает лучшее совпадение во время первой части моделирования.
|
Оценочные данные. Для оценки во временной области С помощью данных временной области можно оценивать только дискретные модели времени. Для оценки моделей непрерывного времени с использованием данных временной области см. раздел Для оценки частотной области
|
|
Порядок многочлена A (q).
|
|
Порядок многочлена B (q) + 1.
|
|
Порядок многочлена C (q).
|
|
Порядок многочлена D (q).
|
|
Порядок многочлена F (q).
|
|
Входная задержка в количестве выборок, выраженная в виде фиксированных начальных нулей полинома В.
|
|
Варианты оценки.
|
|
Линейная система, настраивающая начальную параметризацию Вы получаете Если Используйте
Если Если |
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.
|
Задержки в транспортировке. Для систем непрерывного времени укажите задержки транспортировки в единице времени, сохраненной в Для системы MIMO с По умолчанию: |
|
Входная задержка для каждого входного канала, заданная как скалярное значение или числовой вектор. Для систем непрерывного времени укажите задержки ввода в единице времени, сохраненной в Для системы с Также можно задать По умолчанию: 0 |
|
Логический вектор, задающий интеграторы в шумовом канале.
Настройка q) D (q) e (t) 1 − q − 1 Где, − 1 - интегратор в шумовом канале, e (t). Использовать Например, load iddata1 z1; z1 = iddata(cumsum(z1.y),cumsum(z1.u),z1.Ts,'InterSample','foh'); sys = polyest(z1, [2 2 2 0 0 1],'IntegrateNoise',true); |
|
Полиномиальная модель, возвращенная как Если (s) + E (s) Y (s), U (s) и E (s) являются преобразованиями Лапласа сигналов временной области y (t), u (t) и e (t) соответственно. Информация о результатах оценки и используемых опциях хранится в
Дополнительные сведения об использовании | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Предполагаемые начальные условия, возвращенные в виде
Если opt = polyestOptions('InitialCondition,'estimate')
[sys,ic] = polyest(data,[nb nc nd nf nk],opt)'auto' установка 'InitialCondition' использует 'zero' способ, когда исходные условия оказывают незначительное влияние на общий процесс минимизации ошибок оценки. Определение 'estimate' гарантирует, что программное обеспечение оценивает значения для ic.
Дополнительные сведения см. в разделе |
Оценка модели с избыточной параметризацией. То есть модель со всеми полиномами (, , , и ) активной.
Данные оценки нагрузки.
load iddata2 z2;
Укажите заказы модели и задержки.
na = 2; nb = 2; nc = 3; nd = 3; nf = 2; nk = 1;
Оцените модель.
sys = polyest(z2,[na nb nc nd nf nk]);
Оценка регуляризованной модели многочлена путем преобразования регуляризованной модели ARX.
Данные оценки нагрузки.
load regularizationExampleData.mat m0simdata;
Оцените нерегулируемую полиномиальную модель порядка 20.
m1 = polyest(m0simdata(1:150),[0 20 20 20 20 1]);
Оцените регуляризованную полиномиальную модель того же порядка. Определите значение лямбды методом проб и ошибок.
opt = polyestOptions; opt.Regularization.Lambda = 1; m2 = polyest(m0simdata(1:150),[0 20 20 20 20 1],opt);
Получение полиномиальной модели более низкого порядка путем преобразования регуляризованной модели ARX и уменьшения ее порядка. Использовать arxregul для определения параметров регуляризации.
[L,R] = arxRegul(m0simdata(1:150),[30 30 1]); opt1 = arxOptions; opt1.Regularization.Lambda = L; opt1.Regularization.R = R; m0 = arx(m0simdata(1:150),[30 30 1],opt1); mr = idpoly(balred(idss(m0),7));
Сравните выходные данные модели с данными.
opt2 = compareOptions('InitialCondition','z'); compare(m0simdata(150:end),m1,m2,mr,opt2);
Загрузка входных/выходных данных и создание суммарных входных и выходных сигналов для оценки.
load iddata1 z1 data = iddata(cumsum(z1.y),cumsum(z1.u),z1.Ts,'InterSample','foh');
Укажите порядок многочленов модели. Установите порядки неактивных многочленов и в 0.
na = 2; nb = 2; nc = 2; nd = 0; nf = 0; nk = 1;
Определите модель ARIMAX, установив 'IntegrateNoise' опция для true.
sys = polyest(data,[na nb nc nd nf nk],'IntegrateNoise',true);Оценка модели ARMAX с множеством выходов для набора данных с множеством входов и множеством выходов.
Данные оценки нагрузки.
load iddata1 z1 load iddata2 z2 data = [z1 z2(1:300)];
data представляет собой набор данных с 2 входами и 2 выходами. Первый вход влияет только на первый выход. Аналогично, второй вход влияет только на второй выход.
Укажите заказы модели и задержки. F и D полиномы неактивны.
na = [2 2; 2 2]; nb = [2 2; 3 4]; nk = [1 1; 0 0]; nc = [2;2]; nd = [0;0]; nf = [0 0; 0 0];
Оцените модель.
sys = polyest(data,[na nb nc nd nf nk]);
В оценочной модели ARMAX перекрестные термины, которые моделируют влияние первого ввода на второй вывод и наоборот, ничтожны. Если вы назначите более высокие порядки для этой динамики, их оценка покажет высокий уровень неопределенности.
Проанализируйте результаты.
h = bodeplot(sys); showConfidence(h,3)
Ответы из перекрестных терминов показывают большую неопределенность.
Загрузите данные.
load iddata1ic z1i
Оценка полиномиальной модели sys и вернуть начальные условия в ic.
na = 2; nb = 2; nc = 3; nd = 3; nf = 2; nk = 1; [sys,ic] = polyest(z1i,[na nb nc nd nf nk]); ic
ic =
initialCondition with properties:
A: [7x7 double]
X0: [7x1 double]
C: [0 0 0 0 0 0 1]
Ts: 0.1000
ic является initialCondition объект, инкапсулирующий свободный ответ sys, в форме state-space, к вектору начального состояния в X0. Вы можете включить ic при моделировании sys с z1i входной сигнал и сравнить отклик с z1i выходной сигнал.
В большинстве ситуаций все многочлены идентифицированной полиномиальной модели не являются одновременно активными. Установка одного или нескольких заказов na, nc, nd и nf до нуля, чтобы упростить структуру модели.
Например, можно оценить модель ошибки вывода (OE), указав na, nc и nd как ноль.
Кроме того, можно использовать специальную функцию оценки для упрощенной структуры модели. Функции линейной полиномиальной оценки включают oe, bj, arx и armax.
Чтобы оценить модель полинома с использованием данных временных рядов, используйте ar.
Использовать polyest для оценки многочлена произвольной структуры. Если структура оценочной полиномиальной модели известна, то есть вы знаете, какие полиномы будут активными, то используйте соответствующую выделенную оценочную функцию. Например, для модели ARX используйте arx. Другие функции оценки полиномиальной модели включают в себя: oe, armax, и bj.
Для оценки функции непрерывного переноса времени используйте tfest. Также можно использовать oe, но только с данными частотной области непрерывного времени.
ar | armax | arx | bj | forecast | iddata | idpoly | oe | pem | polyestOptions | procest | ssest | tfest