noise2meas

Шумовой компонент модели

Синтаксис

noise_model = noise2meas(sys) noise_model = noise2meas(sys,noise)

Описание

noise_model = noise2meas(sys) возвращает шумовой компонент, noise_model, линейно идентифицированной модели, sys. Использовать noise2meas для преобразования модели timeseries (без входов) в модель ввода/вывода. Преобразованная модель может использоваться для линейного анализа, включая просмотр карт шест/ноль, и графическое изображение переходной характеристики.

noise_model = noise2meas(sys,noise) задает метод нормализации отклонения шума.

Входные параметры

sys

Идентифицированная линейная модель.

noise

Метод нормализации отклонений шума, заданный как одно из следующих значений:

'innovations' - Источники шума не нормализуются и остаются инновационным процессом.
'normalize' - Источники шума нормированы, чтобы быть независимыми и с единичным отклонением.

По умолчанию: 'innovations'

Выходные аргументы

noise_model

Шумовой компонент sys.

sys представляет систему

$y (t) = G u (t) + H e (t)$

G - передаточная функция между измеренным входом, u (t), и выходом, y (t). H является шумовой моделью и описывает эффект нарушения порядка, e (t), на реакцию модели.

Эквивалентное представление пространства состояний sys является

$\begin{array}{l} \dot{x} (t) = A x (t) + B u (t) + K e (t) \\ y (t) = C x (t) + D u (t) + e (t) \\ e (t) = L v (t) \end{array}$

v (t) является белым шумом с независимыми каналами и единичными отклонениями. e сигнала белого шума (t) представляет инновации модели и имеет отклонение LL^T. Данные дисперсии шума хранятся с помощью NoiseVariance свойство sys.

Если noise является 'innovations', затем noise2meas возвращает H и noise_model представляет систему
$y (t) = H e (t)$
Эквивалентное представление пространства состояний noise_model является
$\begin{array}{l} \dot{x} (t) = A x (t) + K e (t) \\ y (t) = C x (t) + e (t) \end{array}$
noise2meas возвращает шумовые каналы sys как вход каналы noise_model. Входные каналы называются с использованием формата 'e@yk', где yk соответствует OutputName свойство выхода. Измеренные входные каналы sys отбрасываются, и отклонение шума устанавливается на нуль.
Если noise является 'normalize', затем noise2meas сначала нормализует
$e (t) = L v (t)$
noise_model представляет систему
$y (t) = H L v (t)$
или, эквивалентно, в представлении пространства состояний
$\begin{array}{l} \dot{x} (t) = A x (t) + K L v (t) \\ y (t) = C x (t) + L v (t) \end{array}$
Входные каналы называются с использованием формата 'v@yk', где yk соответствует OutputName свойство выхода.

Тип модели noise_model зависит от типа модели sys.

noise_model является idtf модель, если sys является idproc модель.
noise_model является idss модель, если sys является idgrey модель.
noise_model - тот же тип модели, что и sys для всех других типов модели.

Чтобы получить коэффициенты модели noise_model в форме пространство состояний, использование ssdata. Точно так же, чтобы получить коэффициенты модели в форме передаточной функции, используйте tfdata.

Примеры

свернуть все

Преобразуйте шумовой компонент линейно идентифицированной модели в входную/выходную модель

Открыть Live Script

Преобразуйте модель timeseries в модель ввода/вывода, которая может использоваться инструментами линейного анализа.

Идентифицируйте модель timeseries.

load iddata9 z9
sys = ar(z9,4,'ls');

sys является idpoly модель без входов.

Преобразование sys к измеренной модели.

noise_model = noise2meas(sys);

noise_model является idpoly модель с одним входом.

Можно использовать noise_model для функций линейного анализа, таких как step, iopzmap, и т.д.

Нормализация шумового Отклонения

Открыть Live Script

Преобразуйте идентифицированную линейную модель в модель ввода/вывода и нормализуйте ее шумовое отклонение.

Идентифицируйте линейную модель с помощью данных.

load twotankdata;
z = iddata(y,u,0.2);
sys = ssest(z,4);

sys является idss модель, с отклонением шума 6,6211e-06. Значение $L$ является sqrt(sys.NoiseVariance), что составляет 0,0026.

Просмотрите матрицу нарушений порядка.

sys.K

ans = 4×1

    0.2719
    1.6570
   -0.6318
   -0.2877

Получите модель, которая поглощает отклонение шума sys.

noise_model_normalize = noise2meas(sys,'normalize');

noise_model_normalize является idpoly модель.

Просмотрите $B$ матрица для noise_model_normalize

noise_model_normalize.B

ans = 4×1

    0.0007
    0.0043
   -0.0016
   -0.0007

Как и ожидалось, noise_model_normalize.B равно L*sys.K.

Сравните bode-ответ с моделью, которая игнорирует шумовое отклонение sys.

noise_model_innovation = noise2meas(sys,'innovations');
bodemag(noise_model_normalize,noise_model_innovation);
legend('Normalized noise variance','Ignored noise variance');

Figure contains an axes. The axes with title From: In(1) To: y1 contains 2 objects of type line. These objects represent Normalized noise variance, Ignored noise variance.

Различие между базовыми величинами noise_model_innovation и noise_model_normalized составляет приблизительно 51 дБ. Как ожидалось, различие величин приблизительно равна 20*log10(L).

См. также

idssdata | noisecnv | spectrum | tfdata | zpkdata

Введенный в R2012a

Документация