ssregestOptions

Набор опций для ssregest

Описание

пример

options = ssregestOptions создает набор опций по умолчанию для ssregest.

пример

options = ssregestOptions(Name,Value) задает дополнительные опции, используя один или несколько Name,Value аргументы в виде пар.

Примеры

свернуть все

options = ssregestOptions;

Создайте набор опций для ssregest который фиксирует значение начальных состояний, чтобы 'zero'. Также установите Display на 'on'.

opt = ssregestOptions('InitialState','zero','Display','on');

Кроме того, используйте запись через точку, чтобы задать значения opt.

opt = ssregestOptions;
opt.InitialState = 'zero';
opt.Display = 'on';

Входные параметры

свернуть все

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.

Пример: opt = ssregestOptions('InitialState','zero') фиксирует значение начальных состояний в нуле.

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.

ARX модели порядков, заданная как матрица неотрицательных целых чисел [na nb nk]. The max(ARXOrder)+1 должен быть больше, чем требуемый порядок модели пространства состояний (количество состояний). Если вы задаете значение, рекомендуется использовать большое значение для nb порядок. Чтобы узнать больше о порядках модели ARX, см. arx.

Регуляризация ядра, используемого для регуляризованных оценок базовой модели ARX, задается как одно из следующих значений:

  • 'TC' - Настроенное и коррелированное ядро

  • 'SE' - Квадратное экспоненциальное ядро

  • 'SS' - Стабильное сплайн ядро

  • 'HF' - Высокочастотное стабильное сплайн ядро

  • 'DI' - Диагональное ядро

  • 'DC' - Диагональное и коррелированное ядро

Для получения дополнительной информации см. раздел [1].

Опции для сокращения порядка модели, заданные как структура со следующими полями:

  • StateElimMethod

    Метод устранения состояния. Задает, как исключить слабо связанные состояния (состояния с наименьшими сингулярными значениями Ханкеля). Задается как одно из следующих значений:

    'MatchDC'Отбрасывает заданные состояния и изменяет оставшиеся состояния, чтобы сохранить коэффициент усиления постоянного тока.
    'Truncate'Отбрасывает заданные состояния без изменения остальных состояний. Этот метод имеет тенденцию продукта лучшее приближение в частотный диапазон, но усиления постоянного тока не гарантировано совпадают.

    По умолчанию: 'Truncate'

  • AbsTol, RelTol

    Абсолютный и относительная погрешность допуск к стабильному/нестабильному разложению. Положительные скалярные значения. Для модели входа, G с нестабильными полюсами, алгоритм восстановления ssregest сначала извлекает стабильную динамику путем вычисления G стабильного/нестабильного разложения  → GS + GU. The AbsTol и RelTol допуски контролируют точность этого разложения путем обеспечения того, чтобы частотные характеристики G и GS + GU отличались не более чем на AbsTol + RelTol* abs (G). Увеличение этих допусков помогает разделять близлежащие стабильные и нестабильные режимы за счет точности. Посмотритеstabsep (Control System Toolbox) для получения дополнительной информации.

    По умолчанию: AbsTol = 0; RelTol = 1e-8

  • Offset

    Смещение для стабильного / нестабильного контура. Положительное скалярное значение. В стабильном/нестабильном разложении стабильный термин включает только полюсы, удовлетворяющие

    • Re(s) < -Offset * max(1,|Im(s)|) (Непрерывное время)

    • |z| < 1 - Offset (Дискретное время)

    Увеличьте значение Offset относиться к полюсам, близким к контуру устойчивости, как к нестабильным.

    По умолчанию: 1e-8

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».

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.

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.

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.

Удаление 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.

Удаление 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.

Вес ошибок предсказания в многозначной оценке, заданный как одно из следующих значений:

  • Положительная полуопределённая, симметричная матрица (W). Программа минимизирует трассировку взвешенной матрицы ошибок предсказания trace(E'*E*W/N) где:

    • E - матрица ошибок предсказания с одним столбцом для каждого выхода и 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.

  • [] - Взвешивание не используется. Определение как [] то же, что и eye(Ny), где Ny - количество выходов.

Эта опция актуальна только для мультивыходов.

Расширенные опции для регулярной оценки, заданные как структура со следующими полями:

  • MaxSize - Максимально допустимый размер якобиевых матриц, сформированных во время оценки, заданный как большое положительное число.

    По умолчанию: 250e3

  • SearchMethod - Метод поиска для оценки параметров регуляризации, заданный как одно из следующих значений:

    • 'gn': Поиск линии Квази-Ньютон.

    • 'fmincon': Доверительная область отражающий минимизатор. В целом, 'fmincon' лучше, чем 'gn' для обработки ограничений по параметрам регуляризации, которые накладываются автоматически во время оценки.

    По умолчанию: 'fmincon'

Выходные аргументы

свернуть все

Опции оценки для ssregest, возвращается как ssregestoptions набор опций.

Вопросы совместимости

расширить все

Ссылки

[1] T. Chen, H. Ohlsson, and L. Ljung. «Об оценке передаточных функций, регуляризаций и гауссовских процессов - пересмотрено», Automatica, том 48, август 2012 года.

Введенный в R2014a
Для просмотра документации необходимо авторизоваться на сайте