Проверьте, является ли следующая передаточная функция пассивной:

G = tf([1,1],[1,2]);
[pf,R] = isPassive(G)

pf = logical
   1

R = 0.3333

pf = 1 указывает, что G является пассивным. R = 0.3333 указывает, что R имеет относительный избыток пассивности.

Проверьте, является ли передаточная функция G является входным пассивным с индексом 0,25. Для этого используйте nu = 0,25 и rho = 0.

G = tf([1,1],[1,2]);
[pfin,Rin] = isPassive(G,0.25,0)

pfin = logical
   1

Rin = 0.6096

Результат показывает, что G является пассивным входом с этим nu значение и имеет некоторую избыточную пассивность.

Проверяйте, G ли является выходным пассивным с индексом 2.

[pfout,Rout] = isPassive(G,0,2)

pfout = logical
   0

Rout = 2.6180

Вот, результат pfout = 0 показывает, что G не выводится пассивно с этим rho значение. The R значение дает относительную меру дефицита пассивности.

Можно использовать isPassive чтобы оценить пассивность нескольких моделей в массиве моделей одновременно. В данном примере сгенерируйте случайный массив моделей передаточной функции.

G = rss(3,1,1,1,5);

G - массив 1 на 5 моделей SISO с 3 состояниями. Проверяйте пассивность всех моделей в G.

[pf,R] = isPassive(G)

pf = 1x5 logical array

   0   0   0   1   0

R = 1×5

   35.3759       Inf       Inf    0.1130    4.3096

pf и R также являются массивами 1 на 5. Каждый pf запись указывает, является ли соответствующая модель в G является пассивным. Точно так же каждый R значение дает относительное превышение или дефицит пассивности в соответствующей модели в G. Например, исследуйте пассивность второй записи в G, и сравните результат со вторыми значениями в pf и R.

[pf2,R2] = isPassive(G(:,:,2))

pf2 = logical
   0

R2 = Inf