Набор опций для ssest
opt = ssestOptions
opt = ssestOptions(Name,Value)
opt = ssestOptionsssest.
opt = ssestOptions(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.
'InitializeMethod' - Алгоритм, используемый для инициализации параметров пространства состояний'auto' (по умолчанию) | 'n4sid' | 'lsrf'Алгоритм, используемый для инициализации значений параметров пространства состояний для ssest, заданное как одно из следующих значений:
'auto' — ssest автоматически выбирает:
lsrf, если система не является MIMO, данные являются частотным диапазоном, и параметры пространства состояний являются реальными.
n4sid в противном случае (временной области, MIMO или с комплексными параметрами пространства состояний).
'n4sid' - Подход оценки состояния в подпространстве - может использоваться со всеми системами (см n4sid).
'lsrf' - Подход, основанный на оценке рациональных функций методом наименьших квадратов [7] (см. Оценка передаточной функции в непрерывном времени с использованием данных частотного диапазона в непрерывном времени) - может обеспечить более высокие результаты точности для систем частотного диапазона, не являющихся MIMO, с реальными параметрами пространства состояний, но не может использоваться ни для каких других систем (временной области, MIMO,
'InitialState' - Обработка начальных состояний'auto' (по умолчанию) | 'zero' | 'estimate' | 'backcast' | вектор | параметрический объект начального условия (x0obj)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.
'backcast' - начальное состояние оценивается с использованием наилучшей аппроксимации методом наименьших квадратов.
'auto' — ssest выбирает метод обработки начального состояния на основе данных оценки. Возможными способами обработки начальных состояний являются 'zero', 'estimate' и 'backcast'.
Вектор двойников - Задайте вектор-столбец длины Nx, где Nx - количество состояний. Для данных нескольких экспериментов задайте матрицу с Ne столбцами, где Ne количество экспериментов. Заданные значения обрабатываются как фиксированные значения в процессе оценки.
Параметрический объект начального условия (x0obj) - Задайте начальные условия при помощи idpar для создания параметрического объекта начального условия. Можно задать минимальные/максимальные границы и зафиксировать значения определенных состояний с помощью параметрического объекта начального условия. Бесплатные записи x0obj оцениваются вместе с idss параметры модели.
Используйте эту опцию только для моделей пространства состояний в дискретном времени.
'N4Weight' - Схема взвешивания, используемая для сингулярного разложения алгоритмом N4SID'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].
'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. [6].
'auto' - функция оценки выбирает между алгоритмами MOESP и CVA.
'N4Horizon' - Горизонты прогнозирования вперед и назад, используемые N4SID'auto' (по умолчанию) | вектор [r sy su] | k-by-3 матрицаПредсказания 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. Алгоритм использует 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 [4]. 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[] (дефолт) | вектор | матрица | массив ячеек | линейная система | 'inv''invsqrt'Предварительный 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.
'invsqrt' - Применимо только для данных частотного диапазона, с InitializeMethod установлено на 'lsrf' только. Использование в качестве весового фильтра, где G (ω) является комплексными данными частотной характеристики. Используйте эту опцию для захвата относительно низкой амплитудной динамики в данных.
'inv' - Применимо только для данных частотного диапазона, с InitializeMethod установлено на 'lsrf' только. Использование в качестве утяжеляющего фильтра. Аналогично 'invsqrt'эта опция захватывает относительно низкую амплитудную динамику в данных. Используйте его при 'invsqrt' взвешивание дает оценку, которая пропускает динамику в областях с низкой амплитудой. 'inv' более чувствителен к шуму, чем 'invsqrt'.
'EnforceStability' - Контролировать, обеспечивать ли стабильность моделиfalse (по умолчанию) | trueУправляйте, 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) | falseУправляет, 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, если ничего не известно о отклонении шума. В качестве функции взвешивания используется обратная оценка отклонения шума.
Примечание
OutputWeight не должен быть 'noise' если SearchMethod является 'lsqnonlin'.
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 вывода, а W - положительная полуопределенная симметричная матрица размера, равная количеству выходов. Используйте W, чтобы определить относительную важность выходов в нескольких-выходных моделях или надежность соответствующих данных.
N количество выборок данных.
[] - Программное обеспечение выбирает между 'noise' или использование матрицы тождеств для W.
Эта опция актуальна только для мультивыходов.
'Regularization' - Опции для регулярной оценки параметров моделиОпции для регулярной оценки параметров модели. Для получения дополнительной информации о регуляризации см. «Регуляризованные оценки параметров модели».
Regularization - структура со следующими полями:
Lambda - Константа, которая определяет смещение от компромисса отклонений.
Задайте положительную скалярную величину, чтобы добавить срок регуляризации к оценочной стоимости.
Это значение , равное нулю не подразумевает никакой регуляризации.
По умолчанию: 0
R - Матрица взвешивания.
Задайте вектор неотрицательных чисел или квадратную положительную полуопределенную матрицу. Длина должна быть равна количеству свободных параметров модели.
Для моделей черного ящика рекомендуется использовать значение по умолчанию. Для структурированных и серых ящиков можно также задать вектор np положительные числа, такие что каждая запись обозначает доверие в значении связанного параметра.
Значение по умолчанию 1 подразумевает значение eye(npfree), где npfree количество свободных параметров.
По умолчанию: 1
Nominal - номинальное значение, к которому свободные параметры тянутся во время оценки.
Из значения , равного нулю следует, что значения параметров тянутся к нулю. Если вы уточняете модель, можно задать значение 'model' чтобы потянуть параметры к значениям параметров начальной модели. Начальные значения параметров должны быть конечными, чтобы эта настройка работала.
По умолчанию: 0
'SearchMethod' - Численный метод поиска, используемый для итерационной оценки параметра'auto' (по умолчанию) | 'gn' | 'gna' | 'lm' | 'grad' | 'lsqnonlin' | 'fmincon'Численный метод поиска, используемый для итерационной оценки параметра, заданный как разделенная разделенными запятой парами, состоящая из 'SearchMethod' и одно из следующих:
'auto' - комбинация алгоритмов поиска по линии, 'gn', 'lm', 'gna', и 'grad' методы пробуются последовательно при каждой итерации. Используется первое направление спуска, ведущее к снижению стоимости оценки.
'gn' - Подпространство Гаусса-Ньютона поиск наименьших квадратов. Сингулярные значения якобиевой матрицы менее GnPinvConstant*eps*max(size(J))*norm(J) отбрасываются при вычислении направления поиска. J - якобианская матрица. Матрица Гессия аппроксимируется как JTJ. Если улучшения в этом направлении нет, функция пробует градиентное направление.
'gna' - Адаптивный подпространство Gauss-Newton search. Собственные значения меньше gamma*max(sv) Гессиан игнорируются, где sv содержат сингулярные значения Гессиана. Направление Гаусса-Ньютона вычисляется в оставшемся подпространстве. gamma имеет начальное значение InitialGnaTolerance (см. Advanced в 'SearchOptions' для получения дополнительной информации. Это значение увеличивается на множитель LMStep каждый раз, когда поиск не находит меньшее значение критерия менее чем за пять бисекций. Это значение уменьшается на множитель 2*LMStep каждый раз, когда поиск успешен без каких-либо бисекций.
'lm' - поиск Левенберга-Марквардта методом наименьших квадратов, где следующее значение параметров -pinv(H+d*I)*grad от предыдущего. H - Гессиан, I - тождества матрица, а grad - градиент. d - это число, которое увеличивается до тех пор, пока не будет найдено более низкое значение критерия.
'grad' - Наискорейший спуск поиска методом наименьших квадратов.
'lsqnonlin' - Алгоритм, отражающий доверительную область lsqnonlin (Optimization Toolbox). Требуется программное обеспечение Optimization Toolbox™.
'fmincon' - Нелинейные решатели с ограничениями. Можно использовать последовательные квадратичные алгоритмы программирования (SQP) и отражения доверительной области fmincon (Optimization Toolbox) решатель. Если у вас есть программное обеспечение Optimization Toolbox, можно также использовать алгоритмы interior-point и active-set fmincon решатель. Задайте алгоритм в SearchOptions.Algorithm опция. The fmincon алгоритмы могут привести к улучшению результатов оценки в следующих сценариях:
Ограниченные задачи минимизации, когда существуют ограничения, накладываемые на параметры модели.
Моделируйте структуры, где функция потерь является нелинейной или не сглаженной функцией параметров.
Оценка модели с мультивыходами. Функция определяющих минимизируется по умолчанию для оценки мультивыхода. fmincon алгоритмы способны минимизировать такие функции потерь непосредственно. Другие методы поиска, такие как 'lm' и 'gn' минимизировать функцию определяющих путем поочередной оценки отклонения шума и уменьшения значения потерь для заданного значения отклонения шума. Следовательно, fmincon алгоритмы могут предложить лучшую эффективность и точность для оценок мультивыхода.
'SearchOptions' - Набор опций для алгоритма поискаНабор опций для алгоритма поиска, заданный как разделенная разделенными запятой парами, состоящая из 'SearchOptions' и набор опций поиска с полями, которые зависят от значения SearchMethod.
SearchOptions Структура при SearchMethod Задается как 'gn', 'gna', 'lm', 'grad', или 'auto'
| Имя поля | Описание | Дефолт | ||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Tolerance | Минимальный процент различия между текущим значением функции потерь и ее ожидаемым улучшением после следующей итерации, заданным как положительная скалярная величина. Когда процент ожидаемого улучшения меньше | 0.01 | ||||||||||||||||||||||||||||||
MaxIterations | Максимальное количество итераций во время минимизации функции потерь, заданное как положительное целое число. Итерации останавливаются, когда Настройка Использование | 20 | ||||||||||||||||||||||||||||||
Advanced | Дополнительные параметры поиска, заданные как структура со следующими полями:
| |||||||||||||||||||||||||||||||
SearchOptions Структура при SearchMethod Задается как 'lsqnonlin'
| Имя поля | Описание | Дефолт |
|---|---|---|
FunctionTolerance | Допуск на разрыв функции потерь, которую программное обеспечение минимизирует, чтобы определить оцененные значения параметров, заданные как положительная скалярная величина. Значение | 1e-5 |
StepTolerance | Допуск на разрыв для предполагаемых значений параметров, заданный как положительная скалярная величина. Значение | 1e-6 |
MaxIterations | Максимальное количество итераций во время минимизации функции потерь, заданное как положительное целое число. Итерации останавливаются, когда Значение | 20 |
Advanced | Расширенные настройки поиска, заданные как набор опций для Для получения дополнительной информации смотрите таблицу Опции Оптимизации в Опциях Оптимизации (Optimization Toolbox). | Использование optimset('lsqnonlin') чтобы создать набор опций по умолчанию. |
SearchOptions Структура при SearchMethod Задается как 'fmincon'
| Имя поля | Описание | Дефолт |
|---|---|---|
Algorithm |
Для получения дополнительной информации об алгоритмах смотрите Ограниченные алгоритмы нелинейной оптимизации (Optimization Toolbox) и Выбор алгоритма (Optimization Toolbox). | 'sqp' |
FunctionTolerance | Допуск на разрыв функции потерь, которую программное обеспечение минимизирует, чтобы определить оцененные значения параметров, заданные как положительная скалярная величина. | 1e-6 |
StepTolerance | Допуск на разрыв для предполагаемых значений параметров, заданный как положительная скалярная величина. | 1e-6 |
MaxIterations | Максимальное количество итераций во время минимизации функции потерь, заданное как положительное целое число. Итерации останавливаются, когда | 100 |
'Advanced' - Дополнительные расширенные опцииДополнительные дополнительные опции, заданные как структура со следующими полями:
ErrorThreshold - Задает, когда настроить вес больших ошибок от квадратичного до линейного.
Ошибки больше ErrorThreshold умножение предполагаемого стандартного отклонения на линейный вес в функции потерь. Стандартное отклонение оценивается робастно как медиана абсолютных отклонений от медианы ошибок предсказания, деленная на 0.7. Для получения дополнительной информации о выборе устойчивых норм смотрите раздел 15.2 [4].
ErrorThreshold = 0 отключает робустификацию и приводит к чисто квадратичной функции потерь. При оценке данными частотному диапазону программное обеспечение устанавливает ErrorThreshold в нуль. Для данных временной области, которые содержат выбросы, попробуйте задать ErrorThreshold на 1.6.
По умолчанию:
0
MaxSize - Задает максимальное количество элементов в сегменте, когда входно-выходные данные разделены на сегменты.
MaxSize должно быть положительным целым числом.
По умолчанию:
250000
StabilityThreshold - Задает пороги для тестов устойчивости.
StabilityThreshold - структура со следующими полями:
s - Определяет местоположение крайнего правого полюса для проверки устойчивости моделей в непрерывном времени. Модель считается стабильной, когда ее самый правый полюс находится слева от s.
По умолчанию:
0
z - Задает максимальное расстояние между всеми полюсами от источника до устойчивости тестирования моделей в дискретном времени. Модель считается стабильной, если все полюсы находятся в пределах расстояния z от источника.
По умолчанию:
1+sqrt(eps)
AutoInitThreshold - Задает, когда автоматически оценить начальные условия.
Начальное условие оценивается когда
ymeas - измеренный выход.
yp,z - предсказанный выход модели, оцененный с использованием нулевых начальных состояний.
yp,e - предсказанный выход модели, оцененный с использованием предполагаемых начальных состояний.
Применяется при InitialState является 'auto'.
По умолчанию:
1.05
DDC - Определяет, используется ли алгоритм [5] управляемых данными координат для оценки свободно параметризованных моделей пространства состояний.
Задайте DDC как одно из следующих значений:
'on' - Свободные параметры проецируются в уменьшенное пространство идентифицируемых параметров с помощью алгоритма Data Driven Coordinates.
'off' - Все записи A, B и C обновляются непосредственно с помощью выбранного SearchMethod.
По умолчанию:
'on'
opt - Набор опций для ssestssestOptions набор опцийНабор опций для ssest, возвращается как ssestOptions набор опций.
opt = ssestOptions;
Создайте набор опций для ssest использование 'backcast' алгоритм, чтобы инициализировать состояние и задать Display на 'on'.
opt = ssestOptions('InitialState','backcast','Display','on');
Кроме того, используйте запись через точку, чтобы задать значения opt.
opt = ssestOptions; opt.InitialState = 'backcast'; 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». Автоматика, том 30, № 1, 1994, стр. 61-74.
[3] Уиллс, Эдриан, Б. Найнесс и С. Гибсон. «On Gradient-Based Search for Multivariable System Estimes (неопр.) (недоступная ссылка)». Материалы 16-го Всемирного конгресса ИФАК, Прага, Чешская Республика, 3-8 июля 2005 года. Оксфорд, Великобритания: Elsevier Ltd., 2005.
[4] Ljung, L. System Identification: Теория для пользователя. Upper Saddle River, NJ: Prentice-Hall PTR, 1999.
[5] McKelvey, T., A. Helmersson,, and T. Ribarits. Управляемые данными локальные координаты для многопараметрических линейных систем и их применение к системе идентификации. Автоматика, Том 40, № 9, 2004, стр. 1629-1635.
[6] Янссон, М. «Subspace identification and ARX modeling». 13-й симпозиум IFAC по системе идентификации, Роттердам, Нидерланды, 2003.
[7] Оздемир, А. А., и С. Гумоссой. «Оценка передаточной функции в тулбоксе системы идентификации через векторный подбор кривой». Материалы XX Всемирного конгресса Международной федерации автоматического управления. Тулуза, Франция, июль 2017 года.
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.