Загрузите данные оценки.

load iddata2 z2

Оцените модель пространства состояний третьего порядка.

sys = ssest(z2,3);

Симулируйте идентифицированную модель с помощью входных каналов из данных оценки.

y = sim(sys,z2);

Загрузите данные и получите идентифицированную модель.

load iddata2 z2
sys = n4sid(z2,3);

sys является моделью пространства состояний третьего порядка, оцененной с помощью метода подпространства.

Создайте набор опций симуляции, чтобы добавить шум в ответ моделируемой модели.

opt1 = simOptions('AddNoise',true);

Симулируйте модель.

y = sim(sys,z2,opt1);

По умолчанию Гауссов белый шум фильтруется передаточной функцией шума модели и добавляется к моделируемой реакции модели.

Можно также добавить свой собственный сигнал шума, e, с использованием NoiseData опция.

e = randn(length(z2.u),1);
opt2 = simOptions('AddNoise',true,'NoiseData',e);

Симулируйте модель.

y = sim(sys,z2,opt2);

Загрузка данных.

load iddata1 z1

Задайте опцию оценки, чтобы оценить начальное состояние.

estimOpt = ssestOptions('InitialState','estimate');

Оцените модель пространства состояний и верните значение предполагаемого начального состояния.

[sys,x0] = ssest(z1,2,estimOpt);

Задайте начальные условия для симуляции

simOpt = simOptions('InitialCondition',x0);

Симулируйте модель и получите ответ модели и стандартное отклонение.

[y,y_sd] = sim(sys,z1,simOpt);

Данные оценки нагрузки и оценка модели пространства состояний.

load iddata1 z1
sys = ssest(z1,2);

Верните стандартное отклонение и траекторию состояния.

[y,y_sd,x] = sim(sys,z1);

Данные оценки нагрузки и оценка модели пространства состояний.

load iddata1 z1
sys = ssest(z1,2);

Создайте набор опций симуляции и задайте начальные состояния.

opt = simOptions('InitialCondition',[1;2]);

Задайте ковариацию начальных состояний.

opt.X0Covariance = [0.1 0; 0 0.1];

Вычислите стандартные отклонения симулированного отклика, y_sd, и траектория состояний, x_sd.

[y,y_sd,x,x_sd] = sim(sys,z1,opt);

Получите идентифицированную модель.

load iddata2 z2
sys = tfest(z2,3);

sys является idtf модель, которая инкапсулирует передаточную функцию третьего порядка, рассчитанную для измеренных данных z2.

Симулируйте модель.

sim(sys,z2)

Симулируйте нелинейную модель ARX с одним входом и одним выходом вокруг известной точки равновесия с входным уровнем 1 и выходной уровень 10.

Загрузите выборочные данные.

load iddata2

Оцените нелинейную модель ARX из данных.

M = nlarx(z2,[2 2 1],'treepartition');

Оцените текущие состояния модели на основе прошлых данных. Задайте столько прошлых выборок, сколько лагов в переменных входах и выходе (2 здесь).

x0 = data2state(M,struct('Input',ones(2,1),'Output',10*ones(2,1)));

Симулируйте модель с помощью начальных состояний, возвращенных data2state.

opt = simOptions('InitialCondition',x0);
sim(M,z2,opt)

Продолжите симуляцию нелинейной модели ARX с конца предыдущего запуска симуляции.

Оцените нелинейную модель ARX из данных.

load iddata2
M = nlarx(z2,[2 2 1],'treepartition');

Симулируйте модель, используя первую половину входных данных z2. Запустите симуляцию из нулевых начальных состояний.

u1 = z2(1:200,[]); 
opt1 = simOptions('InitialCondition','zero');
ys1 = sim(M,u1,opt1);

Запустите другую симуляцию, используя вторую половину входных данных z2. Используйте те же состояния модели от конца первой симуляции.

u2 = z2(201:end,[]);

Чтобы правильно задать начальные состояния для второй симуляции, упакуйте входные u1 и выход ys1 от первой симуляции в одну iddata объект. Передайте эти данные как начальные условия для следующей симуляции.

firstSimData = [ys1,u1];
opt2 = simOptions('InitialCondition',firstSimData);
ys2 = sim(M,u2,opt2);

Проверьте две симуляции путем сравнения с полной симуляцией с использованием всех входных данных z2. Сначала извлеките весь набор входных данных.

uTotal = z2(:,[]); 
opt3 = simOptions('InitialCondition','zero'); 
ysTotal = sim(M,uTotal,opt3);

Постройте график трех ответов ys1, ys2 и ysTotal. ys1 должно быть равно первой половине ysTotal. ys2 должно быть равно второй половине ysTotal.

plot(ys1,'b',ys2,'g',ysTotal,'k*')

График показывает, что три отклика ys1, ys2, и ysTotal перекрытие, как и ожидалось.

Оцените начальные состояния M модели таким образом, ответ лучше всего соответствует выходу в наборе данных z2.

Загрузите выборочные данные.

load iddata2;

Оцените нелинейную модель ARX из данных.

M = nlarx(z2,[4 3 2],wavenet('NumberOfUnits',20));

Оцените начальные состояния M для наилучшего соответствия z2.y в симулированный отклик.

x0 = findstates(M,z2,Inf);

Симулируйте модель.

opt = simOptions('InitialCondition',x0);
ysim = sim(M,z2.u,opt);

Сравните выходные данные моделируемой модели ysim с выходом сигналом в z2.

time = z2.SamplingInstants;
plot(time,ysim,time,z2.y,'.')

Начните симуляцию модели около устойчивого состояния, где, как известно, вход 1, но выход неизвестен.

Загрузите выборочные данные.

load iddata2

Оцените нелинейную модель ARX из данных.

M = nlarx(z2,[4 3 2],'wavenet');

Определите значения равновесного состояния для входных 1 и неизвестного целевого выхода.

x0 = findop(M,'steady',1, NaN);

Симулируйте модель с помощью начальных состояний x0.

opt = simOptions('InitialCondition',x0);
sim(M,z2.u,opt)

Загрузите выборочные данные.

load iddata2

Создайте модель Гаммерштейна-Винера.

M = nlhw(z2,[4 3 2],[],'pwlinear');

Вычисление значений рабочей точки в установившемся режиме, соответствующих входному уровню 1 и неизвестный выходной уровень.

x0 = findop(M,'steady',1,NaN);

Симулируйте модель с помощью предполагаемых начальных состояний.

opt = simOptions('InitialCondition',x0);
sim(M,z2.u)

Загрузите данные временных рядов и оцените модель AR с помощью подхода методом наименьших квадратов.

load iddata9 z9
sys = ar(z9,6,'ls');

Для данных временных рядов задайте необходимую длину симуляции N = 200 с помощью N-by-0 набора входных данных.

data = iddata([],zeros(200,0),z9.Ts);

Установите начальные условия для использования начальных выборок временных рядов в качестве исторических выходных выборок.

IC = struct('Input',[],'Output',z9.y(1:6));
opt = simOptions('InitialCondition',IC);

Симулируйте модель.

sim(sys,data,opt)

Используйте исторические данные ввода-вывода в качестве прокси для начальных условий при симуляции модели. Вы сначала симулируете, используя sim и задайте исторические данные используя simOptions набор опций. Затем вы воспроизводите моделируемый выход путем преобразования исторических данных в начальные состояния вручную.

Загрузите набор данных с двумя входами и одним выходом.

load iddata7 z7

Идентифицируйте модель пространства состояний пятого порядка с помощью данных.

sys = n4sid(z7,5);

Разделите набор данных на две части.

zA = z7(1:15);
zB = z7(16:end);

Симулируйте модель с помощью входного сигнала в zB.

uSim = zB;

Симуляция требует начальных условий. The значений сигналов in zA являются ли историческими данными, то есть они являются входными и выходными значениями за время, непосредственно предшествующее данным в zB. Использование zA в качестве прокси для необходимых начальных условий.

IO = struct('Input',zA.InputData,'Output',zA.OutputData);
opt = simOptions('InitialCondition',IO);

Симулируйте модель.

ysim = sim(sys,uSim,opt);

Теперь воспроизведите выход, вручную сопоставив исторические данные с начальными состояниями sys. Для этого используйте data2state команда.

xf = data2state(sys,zA);

xf содержит значения состояний sys в то время сразу после последней выборки данных в zA.

Симулируйте систему с помощью xf как начальные состояния.

opt2 = simOptions('InitialCondition',xf);
ysim2 = sim(sys,uSim,opt2);

Постройте график выхода sim командная ysim и результаты, вычисленные вручную ysim2.

plot(ysim,'b',ysim2,'--r')

ysim2 то же, что и ysim.