Обновите параметры модели и вывод онлайн с помощью рекурсивного алгоритма оценки
[ обновляет параметры и выходы модели, заданные в System object™, EstimatedParameters,EstimatedOutput]
= step(obj,y,InputData)obj, используя измеренный выход, y, и входные данные.
step переводит объект в заблокированное состояние. В заблокированном состоянии вы не можете изменить какие-либо нетронутые свойства объекта, такие как порядок модели, тип данных или алгоритм оценки.
The EstimatedParameters и InputData зависят от онлайн- Системного объекта оценки:
recursiveAR — step возвращает оцененные полиномиальные A (q) коэффициенты одной выходной AR-модели с помощью выходных данных временных рядов.
[A,EstimatedOutput] = step(obj,y)
recursiveARMA — step возвращает оцененные полиномиальные A (q) и C (q) коэффициенты одной выходной модели ARMA, используя выходные данные timeseries, y.
[A,C,EstimatedOutput] = step(obj,y)
recursiveARX — step возвращает оцененные полиномиальные A (q) и B (q) коэффициенты модели SISO или MISO ARX с использованием измеренных входных и выходных данных, u и y, соответственно.
[A,B,EstimatedOutput] = step(obj,y,u).
recursiveARMAX — step возвращает предполагаемый полином A (<reservedrangesplaceholder6>), B (<reservedrangesplaceholder4>), и C (<reservedrangesplaceholder2>) коэффициенты модели SISO ARMAX, используя измеряемые входные и выходные данные, u и y, соответственно.
[A,B,C,EstimatedOutput] = step(obj,y,u).
recursiveOE — step возвращает оцененные полиномиальные B (q) и F (q) коэффициенты полиномиальной модели SISO Output-Error с использованием измеренных входных и выходных данных, u и y, соответственно.
[B,F,EstimatedOutput] = step(obj,y,u).
recursiveBJ — step возвращает предполагаемый полином B (<reservedrangesplaceholder8>), C (<reservedrangesplaceholder6>), D (<reservedrangesplaceholder4>), и F (<reservedrangesplaceholder2>) коэффициенты модели полинома Коробки-Jenkins SISO, используя измеряемые входные и выходные данные, u и y, соответственно.
[B,C,D,F,EstimatedOutput] = step(obj,y,u).
recursiveLS — step возвращает предполагаемые системные параметры, θ, одной выходной системы, линейной по расчетным параметрам, с помощью регрессоров H и выходных y данных.
[theta,EstimatedOutput] = step(obj,y,H).
Создайте Системный объект для онлайн-оценки параметров модели ARMAX.
obj = recursiveARMAX;
Модель ARMAX 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;
Оцените параметры модели ARMAX онлайн с помощью step.
for i = 1:numel(input) [A,B,C,EstimatedOutput] = step(obj,output(i),input(i)); end
Просмотрите текущие оцененные значения полинома A коэффициенты.
obj.A
ans = 1×2
1.0000 -0.8298
Посмотрите текущую ковариационную оценку параметров.
obj.ParameterCovariance
ans = 3×3
0.0001 0.0001 0.0001
0.0001 0.0032 0.0000
0.0001 0.0000 0.0001
Просмотрите предполагаемый ток выхода.
EstimatedOutput
EstimatedOutput = -4.5595
Создайте Системный объект для онлайн-оценки параметров модели ARMAX.
obj = recursiveARMAX;
Модель ARMAX 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; dataSize = numel(input);
Оцените параметры модели ARMAX в оперативном режиме с помощью алгоритма рекурсивной оценки по умолчанию, Formetting Factor. Измените ForgettingFactor свойство во время онлайн оценки параметра.
for i = 1:dataSize if i == dataSize/2 obj.ForgettingFactor = 0.98; end [A,B,C,EstimatedOutput] = step(obj,output(i),input(i)); end
Система имеет два параметра и представлена как:
Вот,
и являются входными и выходными данными в реальном времени, соответственно.
и регрессоры, H, системы.
и являются ли параметры, theta, системы.
Создайте Системный объект для онлайн-оценки с помощью рекурсивного алгоритма наименьших квадратов.
obj = recursiveLS(2);
Загрузите данные оценки, которая для этого примера является статическим набором данных.
load iddata3
input = z3.u;
output = z3.y;Создайте переменную для хранения u(t-1). Эта переменная обновляется на каждом временном шаге.
oldInput = 0;
Оцените параметры и вывод с помощью step и входно-выходные данные, поддержание пары регрессора тока в H. Активируйте step функция неявно путем вызова obj системный объект с входными параметрами.
for i = 1:numel(input) H = [input(i) oldInput]; [theta, EstimatedOutput] = obj(output(i),H); estimatedOut(i)= EstimatedOutput; theta_est(i,:) = theta; oldInput = input(i); end
Постройте график измеренных и оцененных выходных данных.
numSample = 1:numel(input); plot(numSample,output,'b',numSample,estimatedOut,'r--'); legend('Measured Output','Estimated Output');
Постройте график параметров.
plot(numSample,theta_est(:,1),numSample,theta_est(:,2)) title('Parameter Estimates for Recursive Least Squares Estimation') legend("theta1","theta2")
Просмотр окончательных оценок.
theta_final = theta
theta_final = 2×1
-1.5322
-0.0235
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, [A,EstimatedOutput] = step(obj,y) и [A,EstimatedOutput] = obj(y) выполнять эквивалентные операции.
clone | isLocked | recursiveAR | recursiveARMA | recursiveARMAX | recursiveARX | recursiveBJ | recursiveLS | recursiveOE | release | reset