Документация

Проверьте погрешность оценки (остатки), которая представляет собой разницу между измеренными и оцененными выходами. Ошибка оценки может быть большой в начале оценки или при наличии больших вариаций параметров. По мере схождения оценок параметров погрешность должна уменьшаться. Небольшие ошибки в отношении размера выходных данных дают уверенность в оценочных значениях.

Можно также проанализировать остатки с помощью таких методов, как тест белизны и тест независимости. Для такого анализа используют измеренные данные и погрешность оценки, собранные после того, как значения параметров установились приблизительно на постоянные значения. Дополнительные сведения об этих тестах см. в разделе Что такое остаточный анализ?

Чтобы получить ошибку оценки, на вкладке «Параметры алгоритма и блока» установите флажок «Ошибка оценки вывода». Программа добавляет в блок отчет об ошибках, который можно контролировать с помощью блока области. Этот выход обеспечивает ошибку оценки на один шаг вперед, e (t) = y (t) _-yest (t). Для временного шага t, y _и yest являются измеренными и оцененными выходами соответственно.

Ковариация параметра является мерой оцененной неопределенности в параметрах и вычисляется, когда используется коэффициент забывания или алгоритмы оценки фильтра Калмана.

Ковариация параметра вычисляется в предположении, что остатки являются белым шумом, и дисперсия этих остатков равна 1. Чтобы получить ковариацию параметра, на вкладке Algorithm and Block Options (Параметры алгоритма и блока) параметров блока оперативной оценки установите флажок Output parameter covariance matrix (Матрица ковариации выходных параметров). Программа добавляет к блоку Covariance outport, который можно контролировать с помощью блока Display. Этот выход обеспечивает ковариационную матрицу параметра, P.

Оцененные параметры можно рассматривать как случайные величины с дисперсией, равной соответствующей диагонали ковариационной матрицы параметра, масштабированной дисперсией остатков (residualVariance) на каждом временном шаге. Вы используете предыдущие знания или рассчитываете residualVariance из остатков, e. Где, e - вектор ошибок оценки, e (t).

 residualVariance = var(e);

Масштабирование ковариации параметра для вычисления дисперсии оцененных параметров.

paramVariance = diag(P)*residualVariance;

Меньшее значение дисперсии дает уверенность в оценочных значениях.

Моделирование расчетной модели и сравнение моделируемых и измеряемых выходных данных. Для этого внесите измеренные входные данные в модель, использующую расчетные значения изменяющихся во времени параметров. Затем сравните выходные данные модели с измеренными выходными данными. Смоделированный выходной сигнал, точно соответствующий измеренному выходному сигналу, дает уверенность в оцененных значениях.