Оцените полиномиальную модель выходной ошибки, используя данные временной области или частотного диапазона
Модели выходной ошибки (OE) являются специальным строением полиномиальных моделей, имеющих только два активных полинома - B и F. Модели OE представляют обычные передаточные функции, которые связывают измеренные входы с выходами, включая также белый шум в качестве аддитивного выходного нарушения порядка. Можно оценить модели OE, используя временные и частотные диапазоны. tfest команда предлагает ту же функциональность, что и команда oe. Для tfest, вы задаете порядки модели, используя количество полюсов и нулей, а не полиномиальные степени. Для оценки в непрерывном времени, tfest обеспечивает более быстрые и точные результаты и рекомендуется.
sys = oe(data,[nb
nf nk])sys, представленный
y (t) - выход, u (t) - вход, а e (t) - ошибка.
oe оценки sys использование измеренных входно-выходных данных data, который может быть во времени или частотном диапазоне. Область порядков [nb nf nk] задайте количество параметров в каждом компоненте предполагаемого полинома.
sys = oe(data,[nb
nf nk],Name,Value)
[ возвращает предполагаемые начальные условия как sys,ic] = oe(___)initialCondition объект. Используйте этот синтаксис, если вы планируете моделировать или предсказать ответ модели с помощью тех же входных данных оценки, а затем сравнить ответ с теми же выходными данными оценки. Включение начальных условий приводит к лучшему соответствию во время первой части симуляции.
Оцените полином OE из данных временной области с помощью двух методов, чтобы задать входную задержку.
Загрузите данные оценки.
load iddata1 z1
Установите порядки полиномов B и F nb и nf. Установите задержку входа nk к одной выборке. Вычислите модель sys.
nb = 2; nf = 2; nk = 1; sys = oe(z1,[nb nf nk]);
Сравните моделируемую характеристику модели с измеренным выходом.
compare(z1,sys)
График показывает, что процент соответствия между моделируемой моделью и данными оценки больше 70%.
Вместо использования nkможно также использовать аргумент пары "имя-значение" 'InputDelay' для задания задержки с одной выборкой.
nk = 0;
sys1 = oe(z1,[nb nf nk],'InputDelay',1);
figure
compare(z1,sys1)
Результаты идентичны.
Вы можете просмотреть больше информации об оценке, исследуя idpoly свойства sys.Report.
sys.Report
ans =
Status: 'Estimated using OE'
Method: 'OE'
InitialCondition: 'zero'
Fit: [1x1 struct]
Parameters: [1x1 struct]
OptionsUsed: [1x1 idoptions.polyest]
RandState: [1x1 struct]
DataUsed: [1x1 struct]
Termination: [1x1 struct]
Для примера узнайте больше об условиях расторжения.
sys.Report.Termination
ans = struct with fields:
WhyStop: 'Near (local) minimum, (norm(g) < tol).'
Iterations: 3
FirstOrderOptimality: 0.0708
FcnCount: 7
UpdateNorm: 1.4809e-05
LastImprovement: 5.1744e-06
Отчет включает информацию о количестве итераций и причине остановки итерации оценки.
Загрузите данные оценки.
load oe_data1 data;
The idfrd data объекта содержит частотную характеристику в непрерывном времени для следующей модели:
Оцените модель.
nb = 2; nf = 3; sys = oe(data,[nb nf]);
Оцените качество подгонки.
compare(data,sys);
Оцените модель OE высокого порядка из данных, собранных путем симуляции системы высокого порядка. Определите константы регуляризации методом проб и ошибок и используйте значения для оценки модели.
Загрузите данные.
load regularizationExampleData.mat m0simdata
Оцените нерегулизованную модель OE порядка 30.
m1 = oe(m0simdata,[30 30 1]);
Получите регуляризованную модель OE путем определения значения Лямбды с помощью проб и ошибок.
opt = oeOptions; opt.Regularization.Lambda = 1; m2 = oe(m0simdata,[30 30 1],opt);
Сравните выходы модели с данными оценки.
opt = compareOptions('InitialCondition','z'); compare(m0simdata,m1,m2,opt);
Регуляризованная модель m2 обеспечивает лучшую подгонку, чем нерегулируемая модель m1.
Сравните отклонение в откликах модели.
h = bodeplot(m1,m2); opt = getoptions(h); opt.PhaseMatching = 'on'; opt.ConfidenceRegionNumberSD = 3; opt.PhaseMatching = 'on'; setoptions(h,opt); showConfidence(h);
Регуляризованная модель m2 имеет уменьшенное отклонение по сравнению с нерегулизованной моделью m1.
Загрузите данные оценки data и шаг расчета Ts.
load oe_data2.mat data Ts
Система координат iddata data объекта содержит частотную характеристику в дискретном времени для следующей модели:
Просмотрите шаг расчета оценки Ts что вы загрузили.
Ts
Ts = 1.0000e-03
Это значение соответствует свойству data.Ts.
data.Ts
ans = 1.0000e-03
Можно оценить непрерывную модель из data путем ограничения входа и выхода частотных полос частотой Найквиста. Для этого задайте опцию предфильтра оценки 'WeightingFilter', чтобы задать полосу пропускания из 0 на 0.5*pi/Ts рад/с. Программа игнорирует любые значения отклика с частотами за пределами этого полосы пропускания.
opt = oeOptions('WeightingFilter',[0 0.5*pi/Ts]); Установите Ts свойство к 0 для лечения data как данные в непрерывном времени.
data.Ts = 0;
Оцените непрерывную модель.
nb = 1; nf = 3; sys = oe(data,[nb nf],opt);
Загрузите данные.
load iddata1ic z1i
Оцените полиномиальную модель OE sys и возвращает начальные условия в ic.
nb = 2; nf = 2; nk = 1; [sys,ic] = oe(z1i,[nb,nf,nk]); ic
ic =
initialCondition with properties:
A: [2x2 double]
X0: [2x1 double]
C: [0.9428 0.4824]
Ts: 0.1000
ic является initialCondition объект, который инкапсулирует свободный ответ sys, в форме пространство состояний, в вектор начального состояния в X0. Можно включать ic когда вы симулируете sys с z1i входной сигнал и сравните ответ с z1i выходной сигнал.
armax | arx | bj | compare | iddata | idfrd | idpoly | iv4 | n4sid | oeOptions | polyest | sim | tfest