Набор опций для n4sid
opt = n4sidOptions
opt = n4sidOptions(Name,Value)
создает набор опций по умолчанию для opt
= n4sidOptionsn4sid
.
создает набор опций с параметрами, заданными одним или несколькими opt
= n4sidOptions(Name,Value
)Name,Value
аргументы в виде пар.
Задайте необязательные разделенные разделенными запятой парами Name,Value
аргументы. Name
- имя аргумента и Value
- соответствующее значение. Name
должны находиться внутри кавычек. Можно задать несколько аргументов в виде пар имен и значений в любом порядке Name1,Value1,...,NameN,ValueN
.
'InitialState'
- Обработка начальных состояний'estimate'
(по умолчанию) | 'zero'
Обработка начальных состояний во время оценки, заданная как одно из следующих значений:
'zero'
- Начальное состояние устанавливается в нуль.
'estimate'
- Начальное состояние рассматривается как независимый параметр оценки.
'N4Weight'
- Схема взвешивания, используемая для сингулярного разложения N4SID
алгоритм'auto'
(по умолчанию) | 'MOESP'
| 'CVA'
| 'SSARX'
Схема взвешивания, используемая для сингулярного разложения алгоритмом N4SID, заданная как одно из следующих значений:
'MOESP'
- Использует алгоритм MOESP от Verhaegen [2].
'CVA'
- Использует алгоритм канонической вариации Ларимора [1].
Оценка с использованием данных частотного диапазона всегда использует 'CVA'
.
'SSARX'
- метод идентификации подпространства, который использует алгоритм, основанный на оценке ARX, для вычисления взвешивания.
Установка этой опции позволяет объективные оценки при использовании данных, которые собираются при операции с обратной связью. Для получения дополнительной информации об алгоритме см. [4].
'auto'
- функция оценки выбирает между MOESP
, CVA
и SSARX
алгоритмы.
'N4Horizon'
- Горизонты прогнозирования вперед и назад, используемые N4SID
алгоритм'auto'
(по умолчанию) | вектор [r sy su]
| k
-by-3 матрицаГоризонты прогнозирования вперед и назад, используемые алгоритмом N4SID, заданные как одно из следующих значений:
A вектора-строки с тремя элементами - [r sy su]
, где r
- максимальный горизонт предсказания вперед, с использованием до r
упреждающие предикторы. sy
количество прошлых выходов и su
- количество прошлых входов, используемых для предсказаний. Для получения дополнительной информации см. страницы 209 и 210 в разделе [3]. Эти числа могут оказать существенное влияние на качество полученной модели, и нет простых правил для их выбора. Создание 'N4Horizon'
a k
-by-3 матрица означает, что каждая строка 'N4Horizon'
пробуется, и выбирается значение, которое обеспечивает лучшее (предсказание) подгонка данным. k
количество догадок [r sy su]
комбинации. Если вы задаете N4Horizon как один столбец, r = sy = su
используется.
'auto'
- Программное обеспечение использует информационный критерий Akaike (AIC) для выбора sy
и su
.
'Focus'
- Ошибка, которая будет минимизирована'prediction'
(по умолчанию) | 'simulation'
Ошибка, которая будет минимизирована в функции потерь во время оценки, заданная как разделенная разделенными запятой парами, состоящая из 'Focus'
и одно из следующих значений:
'prediction'
- Ошибка предсказания на один шаг вперед между измеренным и предсказанным выходами минимизируется во время оценки. В результате оценка фокусируется на создании хорошей модели предиктора.
'simulation'
- Ошибка симуляции между измеренным и моделируемым выходами минимизируется во время оценки. В результате оценка фокусируется на том, чтобы сделать хорошую подгонку для симуляции отклика модели с текущими входами.
The Focus
опция может быть интерпретирована как фильтр взвешивания в функции потерь. Для получения дополнительной информации см. «Функция потерь» и «Метрики качества модели».
'WeightingFilter'
- Взвешивающий предфильтр[]
(по умолчанию) | вектор | матрица | массив ячеек | линейная системаПредварительный фильтр взвешивания, примененный к функции потерь, которая будет минимизирована во время оценки. Чтобы понять эффект WeightingFilter
о функции потерь см. «Функция потерь» и «Метрики качества модели».
Задайте WeightingFilter
как одно из следующих значений:
[]
- Утяжеляющий предварительный фильтр не используется.
Полосы пропускания - Задайте вектор-строку или матрицу, содержащую значения частоты, которые определяют желаемые полосы пропускания. Вы выбираете полосу частот, где оптимизировано соответствие между оценочной моделью и данными оценки. Для примера, [wl,wh]
где wl
и wh
представляют собой нижний и верхний пределы полосы пропускания. Для матрицы с несколькими строками, определяющими полосы пропускания частоты, [w1l,w1h;w2l,w2h;w3l,w3h;...]
алгоритм оценки использует объединение частотных областей значений, чтобы задать полосу пропускания оценки.
Полосы пропускания выражены в rad/TimeUnit
для данных во временной области и в FrequencyUnit
для данных частотного диапазона, где TimeUnit
и FrequencyUnit
являются временными и частотными модулями данных оценки.
SISO-фильтр - Задает линейный фильтр с одним входом и одним выходом (SISO) одним из следующих способов:
Модель SISO LTI
{A,B,C,D}
формат, который задает матрицы пространства состояний фильтра с тем же шагом расчета, что и данные оценки.
{numerator,denominator}
формат, который задает числитель и знаменатель фильтра как передаточную функцию с тем же шагом расчета, что и данные оценки.
Эта опция вычисляет функцию взвешивания как продукт фильтра и входа спектра, чтобы оценить передаточную функцию.
Вектор взвешивания - применим только для данных частотного диапазона. Задайте вектор-столбец весов. Этот вектор должен иметь ту же длину, что и вектор частоты набора данных, Data.Frequency
. Каждый входной и выходной отклик в данных умножается на соответствующий вес на этой частоте.
'EnforceStability'
- Контролировать, обеспечивать ли стабильность моделиfalse
(по умолчанию) | true
Управляйте, следует ли применять стабильность предполагаемой модели, заданную как разделенная разделенными запятой парами, состоящая из 'EnforceStability'
и любой из них true
или false
.
Типы данных: logical
'EstimateCovariance'
- Контролировать, генерировать ли параметрические ковариационные данныеtrue
(по умолчанию) | false
Управляет, генерируются ли ковариационные данные параметра, задается как true
или false
.
Если EstimateCovariance
является true
, затем используйте getcov
чтобы извлечь ковариационную матрицу из предполагаемой модели.
'Display'
- Укажите, отображать ли прогресс оценки'off'
(по умолчанию) | 'on'
Укажите, отображать ли прогресс оценки, заданный как одно из следующих значений:
'on'
- Информация о структуре модели и результатах оценки отображаются в окне progress-viewer.
'off'
- Информация о прогрессе или результатах не отображается.
'InputOffset'
- Удаление смещения от входных данных во временной области во время оценки[]
(по умолчанию) | вектор положительных целых чисел | матрицеУдаление смещения от входных данных во временной области во время оценки, заданное как разделенная разделенными запятой парами, состоящая из 'InputOffset'
и одно из следующих:
A вектора-столбца положительных целых чисел длины Nu, где Nu - количество входов.
[]
- Отсутствие смещения.
Nu -by- Ne матрица - Для данных нескольких экспериментов задайте InputOffset
как матрица Nu -by Ne. Nu - количество входов, а Ne - количество экспериментов.
Каждая запись, заданная InputOffset
вычитается из соответствующих входных данных.
'OutputOffset'
- Удаление смещения от выходных данных во временной области во время оценки[]
(по умолчанию) | вектор | матрицаУдаление смещения из выходных данных временной области во время оценки, заданное как разделенная разделенными запятой парами, состоящая из 'OutputOffset'
и одно из следующих:
Вектор-столбец длины Ny, где Ny количество выходов.
[]
- Отсутствие смещения.
Ny -by- Ne матрица - Для данных нескольких экспериментов задайте OutputOffset
как матрица Ny -by Ne. Ny - количество выходов, а Ne - количество экспериментов.
Каждая запись, заданная OutputOffset
вычитается из соответствующих выходных данных.
'OutputWeight'
- Взвешивание ошибок предсказания в многозначных оценках[]
(по умолчанию) | 'noise'
| положительную полуопределенную симметричную матрицуВзвешивание ошибок предсказания в многозначных оценках, заданное как одно из следующих значений:
'noise'
- Минимизировать , где E представляет ошибку предсказания и N
количество выборок данных. Этот выбор оптимален в статистическом смысле и приводит к максимальным оценкам правдоподобия в случае, если нет доступных данных о отклонении шума. Эта опция использует обратное расчетное отклонение шума в качестве функции взвешивания.
Положительная полуопределённая симметричная матрица (W
) - Минимизируйте трассировку взвешенной матрицы ошибки предсказания trace(E'*E*W/N)
где:
E
- матрица ошибок предсказания с одним столбцом для каждого выхода. W
- положительная полуопределенная симметричная матрица размера, равная количеству выходов. Использование W
для определения относительной важности выходов в нескольких-выходных моделях или надежности соответствующих данных.
N
количество выборок данных.
[]
- Программное обеспечение выбирает между 'noise'
или использование матрицы тождеств для W
.
Эта опция актуальна только для мультивыходов.
'Advanced'
- Дополнительные расширенные опцииДополнительные дополнительные опции, заданные как структура с полем MaxSize
. MaxSize
задает максимальное количество элементов в сегменте, когда входно-выходные данные разделены на сегменты.
MaxSize
должно быть положительным целым числом.
По умолчанию: 250000
opt
- Набор опций для n4sid
n4sidOptions
набор опцийНабор опций для n4sid
, возвращается как n4sidOptions
набор опций.
opt = n4sidOptions;
Создайте набор опций для n4sid
использование 'zero'
опция инициализации состояния. Установите Display
на 'on'
.
opt = n4sidOptions('InitialState','zero','Display','on');
Кроме того, используйте запись через точку, чтобы задать значения opt
.
opt = n4sidOptions; opt.InitialState = 'zero'; opt.Display = 'on';
В имена году были изменены опции анализа некоторых оценок и R2018a. Прежние имена все еще работают. Для получения дополнительной информации смотрите R2018a релиза примечание Переименование оценки и Опции анализа.
[1] Larimore, W.E. «Canonical variate analysis in identification, filtering and adaptive control». Материалы 29-й Конференции IEEE по принятию решений и контролю, стр. 596-604, 1990 год.
[2] Верхеген, М. «Идентификация детерминированной части космических моделей состояния MIMO». Automatica, Vol. 30, 1994, pp. 61-74.
[3] Ljung, L. System Identification: Теория для пользователя. Upper Saddle River, NJ: Prentice-Hall PTR, 1999.
[4] Янссон, М. «Subspace identification and ARX modeling». 13-й симпозиум IFAC по системе идентификации, Роттердам, Нидерланды, 2003.
У вас есть измененная версия этого примера. Вы хотите открыть этот пример с вашими правками?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.