Для устранения неполадок при интерактивной оценке параметров проверьте следующее:
Проверьте, что используется простейшая структура модели, которая адекватно фиксирует динамику системы.
Структуры моделей AR и ARX являются хорошими первыми кандидатами для оценки линейных моделей. Базовые алгоритмы оценки для этих структур модели проще, чем для структур модели ARMA, ARMAX, Output-Error и Box-Jenkins. Кроме того, эти более простые алгоритмы AR и ARX менее чувствительны к начальным предположениям параметров.
Более общая оценка рекурсивных наименьших квадратов (RLS) также имеет преимущество алгоритмической простоты, такой как оценка модели AR и ARX. RLS позволяет оценивать параметры для более широкого класса моделей, чем ARX и AR, и может включать нелинейности. Однако конфигурирование структуры AR или ARX проще.
При выборе структуры модели необходимо учитывать следующее:
Структуры модели AR и ARX - если вы оцениваете модель временного ряда (без входных данных), попробуйте структуру модели AR. При оценке модели ввода-вывода попробуйте использовать структуру модели ARX. Также попробуйте использовать различные заказы модели с этими структурами модели. Эти модели оценивают выходной сигнал системы на основе сдвинутых во времени версий выходных и входных сигналов. Например, параметры a и b системы y (t) = b1u (t) + b2u (t-1) -a1y (t-1) могут быть оценены с использованием моделей ARX.
Дополнительные сведения о моделях AR и ARX см. в разделе Что такое полиномиальные модели?.
Оценка RLS - если вы оцениваете систему, которая является линейной в оценочных параметрах, но не вписывается в структуры модели AR или ARX, попробуйте оценку RLS. Вывод системы можно оценить на основе сдвинутых во времени версий входных и выходных сигналов, таких как AR и ARX, а также можно добавить нелинейные функции. Например, можно оценить параметры p1, p2 и p3 системы y (t) = p1y (t-1) + p2u (t-1) + p3u (t-1) 2. Можно также оценить статические модели, такие как задача подгонки линии для оценки параметров a и b в y (t) = au (t) + b.
Структуры модели ARMA, ARMAX, Output-Error, Box-Jenkins - эти структуры модели обеспечивают большую гибкость по сравнению со структурами моделей AR и ARX для захвата динамики линейных систем. Например, модель ARMAX имеет больше динамических элементов (параметров полинома C) по сравнению с ARX для оценки моделей шума. Эта гибкость может помочь, когда AR и ARX недостаточны для фиксации интересующей системной динамики.
Для этих структур модели особенно рекомендуется указывать начальные значения параметров и ковариации параметров. Это происходит потому, что метод оценки, используемый для этих модельных структур, может застрять в локальной оптимуме. Дополнительные сведения об этих моделях см. в разделе Что такое полиномиальные модели?.
Проверьте порядок указанной структуры модели. Путем выбора неправильного порядка модели можно занижать (слишком низкий порядок модели) или занижать (слишком высокий порядок модели) данные.
В идеале требуется модель самого низкого порядка, адекватно отражающая динамику системы. Недостаточная подгонка не позволяет алгоритмам найти хорошее соответствие модели, даже если все остальные настройки оценки хороши, и существует хорошее возбуждение динамики системы. Перенастройка обычно приводит к высокой чувствительности параметров к шуму измерения или выбору входных сигналов.
Используйте входные данные, которые адекватно возбуждают динамику системы. Простые входы, такие как ступенчатый вход, обычно не обеспечивают достаточного возбуждения и хороши для оценки только очень ограниченного числа параметров. Одним из решений является введение дополнительных входных возмущений.
Данные оценки, содержащие недостатки, могут привести к плохим результатам оценки. К недостаткам данных относятся дрейф, смещение, отсутствие выборок, равновесное поведение, сезонность и отклонения. При необходимости рекомендуется предварительно обработать оценочные данные.
Сведения о предварительной обработке данных оценки в Simulink ® см. в разделе Предварительная обработка данных оценки параметров в Simulink.
Для оперативной оценки параметров в командной строке нельзя использовать инструменты предварительной обработки в Toolbox™ идентификации системы. Эти инструменты поддерживают только данные, указанные как iddata объекты. Внедрите код предварительной обработки в соответствии с требованиями приложения. Чтобы создать код C и C++, используйте команды, поддерживаемые MATLAB ® Coder™. Список этих команд см. в разделе Функции и объекты, поддерживаемые для генерации кода C/C + + (кодер MATLAB).
Проверьте исходные предположения, заданные для значений параметров и матрицы ковариации начальных параметров. Рекомендуются определение предположений исходных параметров и ковариационная матрица исходных параметров. Эти начальные догадки могут основываться на ваших знаниях о системе или быть получены посредством автономной оценки.
Ковариация начального параметра представляет неопределенность в вашем предположении для начальных значений. Если вы уверены в своих догадках о начальном параметре и если начальные догадки намного меньше значения ковариации начального параметра по умолчанию, 10000, укажите меньшую ковариацию начального параметра. Обычно ковариация начального параметра по умолчанию слишком велика относительно значений начального параметра. Результатом является то, что начальным догадкам придается меньшее значение во время оценки.
Начальные догадки параметров и ковариации параметров особенно важны для моделей ARMA, ARMAX, Output-Error и Box-Jenkins. Плохие или нет догадки могут привести к тому, что алгоритм найдет локальные минимумы целевой функции в пространстве параметров, что может привести к плохой посадке.
Убедитесь, что заданы соответствующие параметры для алгоритма оценки. Например, для алгоритма коэффициента забывания аккуратно выберите коэффициент забывания λ. Если λ слишком мал, алгоритм оценки предполагает, что значение параметра быстро изменяется со временем. И наоборот, если λ является слишком большим, алгоритм оценки предполагает, что значение параметра не сильно изменяется со временем. Дополнительные сведения о алгоритмах оценки см. в разделе Рекурсивные алгоритмы для оценки параметров в режиме онлайн.