recursiveBJ

Создайте системный объект для онлайн-оценки параметров полиномиальной модели Box-Jenkins

Синтаксис

obj = recursiveBJ obj = recursiveBJ(Orders) obj = recursiveBJ(Orders,B0,C0,D0,F0) obj = recursiveBJ(___,Name,Value)

Описание

Использовать recursiveBJ команда для оценки параметра с данными в реальном времени. Если все данные, необходимые для оценки, доступны сразу, и вы оцениваете инвариантную по времени модель, используйте команду offline estimation, bj.

obj = recursiveBJ создает Системный object™ для онлайн-оценки параметра по умолчанию single-input single-output (SISO) Box-Jenkins полинома структуры модели. Структура модели по умолчанию имеет полиномы порядка 1 и начальные значения полиномиальных коэффициентов eps.

После создания объекта используйте step команда для обновления оценок параметров модели с помощью рекурсивных алгоритмов оценки и данных в реальном времени.

obj = recursiveBJ(Orders) задает полиномиальные порядки модели Box-Jenkins, которые будут оценены.

obj = recursiveBJ(Orders,B0,C0,D0,F0) задает полиномиальные порядки и начальные значения полиномиальных коэффициентов. Задайте начальные значения, чтобы потенциально избежать локальных минимумов во время оценки. Если начальные значения малы по сравнению с значением по умолчанию InitialParameterCovariance значение свойства, и вы имеете доверие в ваших начальных значениях, также задайте меньшее InitialParameterCovariance.

obj = recursiveBJ(___,Name,Value) задает дополнительные атрибуты структуры модели Box-Jenkins и алгоритма рекурсивной оценки с помощью одного или нескольких Name,Value аргументы в виде пар.

Описание объекта

recursiveBJ создает Системный объект для онлайн-оценки параметров моделей SISO Box-Jenkins полинома с помощью рекурсивного алгоритма оценки.

Системный объект является специализированным MATLAB^® объект, специально разработанный для реализации и симуляции динамических систем с входами, которые изменяются с течением времени. Системные объекты используют внутренние состояния для хранения прошлого поведения, которое используется на следующем вычислительном шаге.

После создания системного объекта вы используете команды для обработки данных или получения информации от объекта или о нем. Системные объекты используют минимум две команды для обработки данных - конструктор для создания объекта и step команда для обновления параметров объекта с помощью данных в реальном времени. Это отделение объявления от выполнения позволяет вам создать несколько, постоянных, переиспользуемых объектов, каждый с различными настройками.

Можно использовать следующие команды с онлайновыми Системными объектами оценки в System Identification Toolbox™:

Команда	Описание
`step`	Обновите оценки параметров модели с помощью рекурсивных алгоритмов оценки и данных в реальном времени. `step` переводит объект в заблокированное состояние. В заблокированном состоянии вы не можете изменить какие-либо нетронутые свойства или входные спецификации, такие как порядок модели, тип данных или алгоритм оценки. Во время выполнения можно только изменить настраиваемые свойства.
`release`	Разблокируйте Системный объект. Используйте эту команду, чтобы включить настройку нетронутых параметров.
`reset`	Обнулите внутренние состояния заблокированного системного объекта до начальных значений и оставьте объект заблокированным.
`clone`	Создайте другой Системный объект с теми же значениями свойств объекта. Не создавать дополнительные объекты с помощью синтаксиса `obj2 = obj`. Любые изменения, внесенные в свойства нового объекта, созданные таким образом (`obj2`) также измените свойства исходного объекта (`obj`).
`isLocked`	Запросите заблокированное состояние для атрибутов входа и нетронутых свойств Системного объекта.

Используйте recursiveBJ команда для создания оперативного системного объекта оценки. Затем оцените параметры полиномиальной модели Box-Jenkins (B, C, D, и F) и выход с помощью step команда с входными и выходными данными, u и y.

[B,C,D,F,EstimatedOutput] = step(obj,y,u)

Для recursiveBJ свойства объекта, см. Свойства.

Примеры

свернуть все

Оценка Box-Jenkins Полинома Модель Online

Открыть Live Script

Создайте системный объект для онлайн-оценки параметров полиномиальной модели Box-Jenkins.

obj = recursiveBJ;

Модель Box-Jenkins имеет структуру по умолчанию с полиномами порядка 1 и начальными значениями полиномиальных коэффициентов, eps.

Загрузите данные оценки. В этом примере используйте статический набор данных для рисунка.

load iddata1 z1;
output = z1.y;
input = z1.u;

Оценка параметров модели Бокса-Дженкинса в режиме онлайн с использованием step.

for i = 1:numel(input)
[B,C,D,F,EstimatedOutput] = step(obj,output(i),input(i));
end

Просмотрите текущие оцененные значения полинома D коэффициенты.

obj.D

ans = 1×2

    1.0000   -0.6876

Посмотрите текущую ковариационную оценку параметров.

obj.ParameterCovariance

ans = 4×4

    0.0020   -0.0004   -0.0001    0.0002
   -0.0004    0.0007    0.0006   -0.0001
   -0.0001    0.0006    0.0007   -0.0000
    0.0002   -0.0001   -0.0000    0.0001

Просмотрите предполагаемый ток выхода.

EstimatedOutput

EstimatedOutput = -4.1905

Создайте системный объект для модели Box-Jenkins с известными порядками и задержками

Открыть Live Script

Задайте порядки и задержки полиномиальной модели Box-Jenkins.

nb = 1;
nc = 1;
nd = 2;
nf = 1;
nk = 1;

Создайте Системный объект для онлайн-оценки модели Box-Jenkins с заданными порядками и задержками.

obj = recursiveBJ([nb nc nd nf nk]);

Создайте системный объект для модели Box-Jenkins с известными начальными параметрами

Открыть Live Script

Задайте порядки и задержки полиномиальной модели Box-Jenkins.

nb = 1;
nc = 1;
nd = 1;
nf = 2;
nk = 1;

Создайте системный объект для онлайн-оценки модели Box-Jenkins с известными начальными полиномиальными коэффициентами.

B0 = [0 1];
C0 = [1 0.5];
D0 = [1 0.9];
F0 = [1 0.7 0.8];
obj = recursiveBJ([nb nc nd nf nk],B0,C0,D0,F0);

Задайте начальный параметр ковариации.

obj.InitialParameterCovariance = 0.1;

InitialParameterCovariance представляет неопределенность в вашем предположении для начальных параметров. Как правило, значение по умолчанию InitialParameterCovariance (10000) слишком велик относительно значений параметров. Это приводит к тому, что начальные предположения придаются меньшее значение во время оценки. Если у вас есть доверие в начальных предположениях параметра, задайте меньшую ковариацию начального параметра.

Задайте метод оценки для онлайн-оценки модели Бокса-Дженкинса

Открыть Live Script

Создайте Системный объект, который использует нормированный алгоритм градиента для онлайн-оценки параметра модели Box-Jenkins.

obj = recursiveBJ([1 1 1 2 1],'EstimationMethod','NormalizedGradient');

Входные параметры

свернуть все

`Orders` - Модель порядков и задержек
Вектор 1 на 5 целых чисел

Моделируйте порядки и задержки полиномиальной модели Box-Jenkins, заданные как вектор из целых чисел 1 на 5, [nb nc nd nf nk].

nb - Порядок полинома B (q) + 1, заданный как положительное целое число.
nc - Порядок полинома C (q), заданный как неотрицательное целое число.
nd - Порядок полинома D (q), заданный как неотрицательное целое число.
nf - Порядок полинома F (q), заданный как неотрицательное целое число.
nk - Задержка ввода-вывода, заданная как положительное целое число. nk - количество входных выборок, которые происходят до того, как вход влияет на выход. nk выражается как фиксированные начальные нули полинома B.

`B0,C0,D0,F0` - Начальное значение полиномиальных коэффициентов
векторы-строки вещественных значений | `[]`

Начальное значение полиномиальных коэффициентов, заданное как векторы-строки вещественных значений с элементами в порядке возрастания степеней q^-1.

B0 - Начальное предположение для коэффициентов полинома B (q), заданное как 1-by- (nb+nk) вектор с nk начальные нули.
C0 - Начальное предположение для коэффициентов полинома C (q), заданное как 1-by- (nc+1) вектор с 1 в качестве первого элемента.
Коэффициенты в C0 должен задать стабильный полином в дискретном времени с корнями в единичном диске. Для примера,
```
C0 = [1 0.5 0.5];
all(abs(roots(C0))<1)
```
```
ans =

     1
```
D0 - Начальное предположение для коэффициентов полинома D (q), заданное как 1-by- (nd+1) вектор с 1 в качестве первого элемента.
Коэффициенты в D0 должен задать стабильный полином в дискретном времени с корнями в единичном диске. Для примера,
```
D0 = [1 0.9 0.8];
all(abs(roots(D0))<1)
```
```
ans =

     1
```
F0 - Начальное предположение для коэффициентов полинома F (q), заданное как 1-by- (nf+1) вектор с 1 в качестве первого элемента.
Коэффициенты в F0 должен задать стабильный полином в дискретном времени с корнями в единичном диске. Для примера,
```
F0 = [1 0.5 0.5];
all(abs(roots(F0))<1)
```
```
ans =

     1
```

Определение как [], использует значение по умолчанию eps для полиномиальных коэффициентов.

Примечание

Если начальные догадки намного меньше, чем по умолчанию InitialParameterCovariance10000, начальным предположениям придается меньшее значение во время оценки. В этом случае задайте меньший начальный параметр ковариации.

Аргументы в виде пар имя-значение

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.

Использование Name,Value аргументы для задания свойств, доступных для записи recursiveBJ Системный объект во время создания объекта. Для примера, obj = recursiveBJ([1 1 1 2 1],'EstimationMethod','Gradient') создает Системный объект для оценки модели полинома Бокса-Дженкинса с помощью 'Gradient' рекурсивный алгоритм оценки.

Свойства

recursiveBJ Свойства системного объекта состоят из свойств, доступных только для чтения и записи. Свойства, доступные для записи, являются свойствами, настраиваемыми и нетронутыми. Нетронутые свойства не могут быть изменены, когда объект заблокирован, то есть после того, как вы используете step команда.

Использование Name,Value аргументы для задания свойств, доступных для записи recursiveBJ объекты во время создания объекта. После создания объекта используйте запись через точку для изменения настраиваемых свойств.

obj = recursiveBJ;
obj.ForgettingFactor = 0.99;

`B`	Оценочные коэффициенты полинома B (q), возвращенные как вектор действительных значений, заданных в порядке возрастания степеней q^-1. `B` является свойством только для чтения и первоначально пуст после создания объекта. Он заполняется после того, как вы используете `step` команда для оценки оперативного параметра.
`C`	Оценочные коэффициенты полинома C (q), возвращенные как вектор действительных значений, заданных в порядке возрастания степеней q^-1. `C` является свойством только для чтения и первоначально пуст после создания объекта. Он заполняется после того, как вы используете `step` команда для оценки оперативного параметра.
`D`	Оценочные коэффициенты полинома D (q), возвращенные как вектор действительных значений, заданных в порядке возрастания степеней q^-1. `D` является свойством только для чтения и первоначально пуст после создания объекта. Он заполняется после того, как вы используете `step` команда для оценки оперативного параметра.
`F`	Оценочные коэффициенты полинома F (q), возвращенные как вектор действительных значений, заданных в порядке возрастания степеней q^-1. `F` является свойством только для чтения и первоначально пуст после создания объекта. Он заполняется после того, как вы используете `step` команда для оценки оперативного параметра.
`InitialB`	Начальные значения коэффициентов полинома B (q) `порядка <reservedrangesplaceholder0>`, заданный как вектор-строка длины `nb+nk`, с `nk` начальные нули. `nk` - задержка ввода-вывода. Задайте коэффициенты в порядке возрастания степеней q^-1. Если начальные догадки намного меньше, чем по умолчанию `InitialParameterCovariance`10000, начальным предположениям придается меньшее значение во время оценки. В этом случае задайте меньший начальный параметр ковариации. `InitialB` является настраиваемым свойством. Вы можете изменить его, когда объект находится в заблокированном состоянии. По умолчанию: `[0 eps]`
`InitialC`	Начальные значения коэффициентов полинома C (q) `порядка <reservedrangesplaceholder0>`, заданный как вектор-строка длины `nc+1`, с 1 в качестве первого элемента. Задайте коэффициенты в порядке возрастания степеней q^-1. Коэффициенты в `InitialC` должен задать стабильный полином в дискретном времени с корнями в модуль круге. Для примера, InitialC = [1 0.5 0.5]; all(abs(roots(InitialC))<1) ans = 1 Если начальные догадки намного меньше, чем по умолчанию `InitialParameterCovariance`10000, начальным предположениям придается меньшее значение во время оценки. В этом случае задайте меньший начальный параметр ковариации. `InitialC` является настраиваемым свойством. Вы можете изменить его, когда объект находится в заблокированном состоянии. По умолчанию: `[1 eps]`
`InitialD`	Начальные значения коэффициентов полинома D (q) `порядка <reservedrangesplaceholder0>`, заданный как вектор-строка длины `nd+1`, с 1 в качестве первого элемента. Задайте коэффициенты в порядке возрастания степеней q^-1. Коэффициенты в `InitialD` должен задать стабильный полином в дискретном времени с корнями в модуль круге. Для примера, InitialD = [1 0.9 0.8]; all(abs(roots(InitialD))<1) ans = 1 Если начальные догадки намного меньше, чем по умолчанию `InitialParameterCovariance`10000, начальным предположениям придается меньшее значение во время оценки. В этом случае задайте меньший начальный параметр ковариации. `InitialD` является настраиваемым свойством. Вы можете изменить его, когда объект находится в заблокированном состоянии. По умолчанию: `[1 eps]`
`InitialF`	Начальные значения коэффициентов полинома F (q) `порядка <reservedrangesplaceholder0>`, заданный как вектор-строка длины `nf+1`, с 1 в качестве первого элемента. Задайте коэффициенты в порядке возрастания степеней q^-1. Коэффициенты в `InitialF` должен задать стабильный полином в дискретном времени с корнями в модуль круге. Для примера, InitialF = [1 0.9 0.8]; all(abs(roots(InitialF))<1) ans = 1 Если начальные догадки намного меньше, чем по умолчанию `InitialParameterCovariance`10000, начальным предположениям придается меньшее значение во время оценки. В этом случае задайте меньший начальный параметр ковариации. `InitialF` является настраиваемым свойством. Вы можете изменить его, когда объект находится в заблокированном состоянии. По умолчанию: `[1 eps]`
`ParameterCovariance`	Предполагаемая ковариационная `P` из параметров, возвращенных как N -by N симметричная положительно-определенная матрица. N - количество параметров, которые будут оценены. Программное обеспечение `вычисляет P` принимая, что невязки (различие между оцененными и измеренными выходами) являются белым шумом, и отклонение этих невязок равно 1. `ParameterCovariance` применяется только тогда, когда `EstimationMethod` является `'ForgettingFactor'` или `'KalmanFilter'`. Толкование `P` зависит от метода оценки: `'ForgettingFactor'` — _{<reservedrangesplaceholder1> <reservedrangesplaceholder0>} * `P` приблизительно равен ковариационной матрице оцененных параметров, где _R2 является истинным отклонением невязок. `'KalmanFilter'` — _R2 * `P` - ковариационная матрица предполагаемых параметров, а _R1/ _R2 - ковариационная матрица изменений параметров. Где, _R1 является ковариационной матрицей, в которой вы задаете `ProcessNoiseCovariance`. `ParameterCovariance` является свойством только для чтения и первоначально пуст после создания объекта. Он заполняется после того, как вы используете `step` команда для оценки оперативного параметра.
`InitialParameterCovariance`	Ковариация начальных оценок параметров, заданная как одно из следующего: Действительная положительная скалярная величина, α - Ковариационная матрица - N -by N диагональная матрица с α в качестве диагональных элементов. N - количество параметров, которые будут оценены. Вектор действительных положительных скаляров, [α 1,..., α N] - ковариационная матрица является N -by N диагональной матрицей с [α 1_,..., α N] в качестве диагональных элементов. N -by N симметричная положительно-определенная матрица. `InitialParameterCovariance` представляет неопределенность в начальных оценках параметров. Для больших значений `InitialParameterCovariance`, меньшее значение придается начальным значениям параметров и больше - измеренным данным во время начала оценки с помощью `step`. Используйте только тогда, когда `EstimationMethod` является `'ForgettingFactor'` или `'KalmanFilter'`. `InitialParameterCovariance` является настраиваемым свойством. Вы можете изменить его, когда объект находится в заблокированном состоянии. По умолчанию: `10000`
`EstimationMethod`	Алгоритм рекурсивной оценки, используемый для онлайн-оценки параметров модели, задается как одно из следующих значений: `'ForgettingFactor'` - Алгоритм, используемый для оценки параметра `'KalmanFilter'` - Алгоритм, используемый для оценки параметра `'NormalizedGradient'` - Алгоритм, используемый для оценки параметра `'Gradient'` - Ненормализованный алгоритм градиента, используемый для оценки параметра Алгоритмы забывающего фактора и фильтра Калмана более интенсивны в вычислительном отношении, чем градиентные и ненормализованные градиентные методы. Однако они имеют лучшие свойства сходимости. Для получения информации об этих алгоритмах см. «Рекурсивные алгоритмы для оценки Параметра в режиме онлайн». `EstimationMethod` является свойством nontunable. Вы не можете изменить его во время выполнения, то есть после того, как объект заблокирован с помощью `step` команда. Если вы хотите развернуть код с помощью MATLAB Coder™, `EstimationMethod` можно назначить только один раз. По умолчанию: `'ForgettingFactor'`
`ForgettingFactor`	Коэффициент забывания, λ, релевантный для оценки параметра, заданный как скаляр в области значений (0,1]. Предположим, что система остается приблизительно постоянной на _T0 выборках. Можно выбрать λ такие, что: $T_{0} = \frac{1}{1 - λ}$ Установка λ = 1 соответствует «no formetting» и оценке постоянных коэффициентов. Установка λ < 1 подразумевает, что прошлые измерения менее значимы для оценки параметра и могут быть «забыты». Установите λ < 1, чтобы оценить изменяющиеся во времени коэффициенты. Типичные варианты λ находятся в области значений `[0.98 0.995]`. Используйте только тогда, когда `EstimationMethod` является `'ForgettingFactor'`. `ForgettingFactor` является настраиваемым свойством. Вы можете изменить его, когда объект находится в заблокированном состоянии. По умолчанию: `1`
`EnableAdapation`	Включите или отключите оценку параметра, заданную как одно из следующего: `true` или `1`- The `step` команда оценивает значения параметров для того временного шага и обновляет значения параметров. `false` или `0` - The `step` команда не обновляет параметры для этого временного шага и вместо этого выводит последнее оцененное значение. Можно использовать эту опцию, когда система входит в режим, где значения параметров не изменяются со временем. Примечание Если вы задаете `EnableAdapation` на `false`, вы все еще должны выполнить `step` команда. Не пропускать `step` сохранить значения параметров постоянными, потому что оценка параметров зависит от тока и прошлых измерений ввода-вывода. `step` обеспечивает сохранение прошедших вводов-выводов данных, даже если они не обновляют параметры. `EnableAdapation` является настраиваемым свойством. Вы можете изменить его, когда объект находится в заблокированном состоянии. По умолчанию: `true`
`DataType`	Точность параметров с плавающей точкой, заданная как одно из следующих значений: `'double'` - Плавающая точка двойной точности `'single'` - Одинарная точность с плавающей точкой Настройка `DataType` на `'single'` сохраняет память, но приводит к потере точности. Задайте `DataType` исходя из точности, требуемой целевым процессором, на котором будет развернут сгенерированный код. `DataType` является свойством nontunable. Он может быть установлен только во время конструкции объекта с помощью `Name,Value` аргументы и не могут быть изменены после. По умолчанию: `'double'`
`ProcessNoiseCovariance`	Ковариационная матрица изменений параметров, заданная как одно из следующего: Действительный неотрицательный скаляр, α - Ковариационная матрица - N -by N диагональная матрица с α в качестве диагональных элементов. Вектор реальных неотрицательных скаляров, [<reservedrangesplaceholder7> 1..., <reservedrangesplaceholder6> <reservedrangesplaceholder5>] - Ковариационная матрица N N диагональной матрицей, с [<reservedrangesplaceholder2> 1..., <reservedrangesplaceholder1> <reservedrangesplaceholder0>] как диагональные элементы. N -by N симметричная положительная полуопределенная матрица. N - количество параметров, которые будут оценены. `ProcessNoiseCovariance` применяется, когда `EstimationMethod` является `'KalmanFilter'`. Алгоритм фильтра Калмана обрабатывает параметры как состояния динамической системы и оценивает эти параметры с помощью фильтра Калмана. `ProcessNoiseCovariance` - ковариация шума процесса, действующая на эти параметры. Нулевые значения в шумовой ковариационной матрице соответствуют оценке постоянных коэффициентов. Значения, большие 0, соответствуют изменяющимся во времени параметрам. Используйте большие значения для быстрого изменения параметров. Однако большие значения приводят к более шумным оценкам параметра. `ProcessNoiseCovariance` является настраиваемым свойством. Вы можете изменить его, когда объект находится в заблокированном состоянии. По умолчанию: `0.1`
`AdaptationGain`	Коэффициент усиления адаптации, γ, используемый в алгоритмах рекурсивной оценки градиента, задается как положительная скалярная величина. `AdaptationGain` применяется, когда `EstimationMethod` является `'Gradient'` или `'NormalizedGradient'`. Задайте большое значение для `AdaptationGain` когда ваши измерения имеют высокое отношение сигнал/шум. `AdaptationGain` является настраиваемым свойством. Вы можете изменить его, когда объект находится в заблокированном состоянии. По умолчанию: `1`
`NormalizationBias`	Смещение при масштабировании коэффициента усиления адаптации, используемое в `'NormalizedGradient'` метод, заданный как неотрицательный скаляр. `NormalizationBias` применяется, когда `EstimationMethod` является `'NormalizedGradient'`. Нормированный алгоритм градиента делит коэффициент усиления адаптации на каждом шаге на квадрат двух норм вектора градиента. Если градиент близок к нулю, это может вызвать переходы в оценочных параметрах. `NormalizationBias` - термин, введенный в знаменателе для предотвращения этих переходов. Увеличение `NormalizationBias` если вы наблюдаете переходы в предполагаемых параметрах. `NormalizationBias` является настраиваемым свойством. Вы можете изменить его, когда объект находится в заблокированном состоянии. По умолчанию: `eps`

Выходные аргументы

свернуть все

`obj` - Системный объект для онлайн-оценки параметра полиномиальной модели Бокса-Дженкинса
`recursiveBJ` Системный объект

Системный объект для онлайн-оценки параметра полиномиальной модели Box-Jenkins, возвращенный как recursiveBJ Системный объект. Этот объект создается с использованием заданных порядков и свойств модели. Использовать step команда для оценки коэффициентов полиномов модели Box-Jenkins. Затем можно получить доступ к предполагаемым коэффициентам и ковариации параметров с помощью записи через точку. Для примера введите obj.F чтобы просмотреть оцененные F полиномиальные коэффициенты.

Подробнее о

свернуть все

Бокс-Дженкинс Полинома Структуры модели

Общая структура модели Box-Jenkins:

$y (t) = \sum_{i = 1}^{n u} \frac{B_{i} (q)}{F_{i} (q)} u_{i} (t - n k_{i}) + \frac{C (q)}{D (q)} e (t)$

где nu - количество входа каналов.

Порядки модели Box-Jenkins определяются следующим образом:

$\begin{matrix} n b : B (q) = b_{1} + b_{2} q^{- 1} + ... + b_{n b} q^{- n b + 1} \\ n c : C (q) = 1 + c_{1} q^{- 1} + ... + c_{n c} q^{- n c} \\ n d : D (q) = 1 + d_{1} q^{- 1} + ... + d_{n d} q^{- n d} \\ n f : F (q) = 1 + f_{1} q^{- 1} + ... + f_{n f} q^{- n f} \end{matrix}$

Совет

Начиная с R2016b, вместо использования step команду для обновления оценок параметров модели можно вызвать системный объект с входными параметрами, как если бы это была функция. Для примера, [B,C,D,F,EstimatedOutput] = step(obj,y,u) и [B,C,D,F,EstimatedOutput] = obj(y,u) выполнять эквивалентные операции.

Расширенные возможности

Генерация кода C/C + +
Сгенерируйте код C и C++ с помощью Coder™ MATLAB ®

Указания и ограничения по применению:

Для рабочих процессов на основе Simulink используйте Recursive Polynomial Model Estimator.
Для ограничений смотрите Сгенерировать код для онлайн-оценки параметра в MATLAB.

Поддерживает MATLAB Function блок: Нет

См. также

Темы

Введенный в R2015b

Документация

recursiveBJ

Синтаксис

Описание

Описание объекта

Примеры

Оценка Box-Jenkins Полинома Модель Online

Создайте системный объект для модели Box-Jenkins с известными порядками и задержками

Создайте системный объект для модели Box-Jenkins с известными начальными параметрами

Задайте метод оценки для онлайн-оценки модели Бокса-Дженкинса

Входные параметры

`Orders` - Модель порядков и задержек
Вектор 1 на 5 целых чисел

`B0,C0,D0,F0` - Начальное значение полиномиальных коэффициентов
векторы-строки вещественных значений | `[]`

Аргументы в виде пар имя-значение

Свойства

Выходные аргументы

`obj` - Системный объект для онлайн-оценки параметра полиномиальной модели Бокса-Дженкинса
`recursiveBJ` Системный объект

Подробнее о

Бокс-Дженкинс Полинома Структуры модели

Совет

Расширенные возможности

Генерация кода C/C + +
Сгенерируйте код C и C++ с помощью Coder™ MATLAB ®

См. также

Темы

Документация по System Identification Toolbox

Поддержка

Документация

recursiveBJ

Синтаксис

Описание

Описание объекта

Примеры

Оценка Box-Jenkins Полинома Модель Online

Создайте системный объект для модели Box-Jenkins с известными порядками и задержками

Создайте системный объект для модели Box-Jenkins с известными начальными параметрами

Задайте метод оценки для онлайн-оценки модели Бокса-Дженкинса

Входные параметры

Orders - Модель порядков и задержек Вектор 1 на 5 целых чисел

B0,C0,D0,F0 - Начальное значение полиномиальных коэффициентов векторы-строки вещественных значений | []

Аргументы в виде пар имя-значение

Свойства

Выходные аргументы

obj - Системный объект для онлайн-оценки параметра полиномиальной модели Бокса-Дженкинса recursiveBJ Системный объект

Подробнее о

Бокс-Дженкинс Полинома Структуры модели

Совет

Расширенные возможности

Генерация кода C/C + + Сгенерируйте код C и C++ с помощью Coder™ MATLAB ®

См. также

Темы

Документация по System Identification Toolbox

Поддержка

`Orders` - Модель порядков и задержек
Вектор 1 на 5 целых чисел

`B0,C0,D0,F0` - Начальное значение полиномиальных коэффициентов
векторы-строки вещественных значений | `[]`

`obj` - Системный объект для онлайн-оценки параметра полиномиальной модели Бокса-Дженкинса
`recursiveBJ` Системный объект

Генерация кода C/C + +
Сгенерируйте код C и C++ с помощью Coder™ MATLAB ®