Набор опций для tfest
opt = tfestOptions
opt = tfestOptions(Name,Value)
создает набор опций по умолчанию для opt
= tfestOptionstfest
.
создает набор опций с параметрами, заданными одним или несколькими opt
= tfestOptions(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 числителя и знаменателя'iv'
(по умолчанию) | 'svf'
| 'gpmf'
| 'n4sid'
| 'all'
Алгоритм, используемый для инициализации значений числителя и знаменателя выхода tfest
, применимый только для оценки передаточных функций в непрерывном времени с использованием данных временной области, заданных как одно из следующих значений:
'iv'
- Переменный подход к КИПиА.
'svf'
- Подход к фильтрам переменных состояний.
'gpmf'
- Обобщенный подход к функциям пуассона.
'n4sid'
- Подход оценки пространства состояний подпространства.
'all'
- Комбинация всех предыдущих подходов. Программа пробует все эти методы и выбирает метод, который приводит к наименьшему значению нормы ошибки предсказания.
'InitializeOptions'
- Набор опций для алгоритма инициализацииНабор опций для алгоритма инициализации, используемый для инициализации значений числителя и знаменателя выхода tfest
, заданная как структура со следующими полями:
N4Weight
- Вычисляет матрицы взвешивания, используемые в шаге разложения сингулярных значений 'n4sid'
алгоритм. Применяется при InitializeMethod
является 'n4sid'
.
N4Weight
задается как одно из следующих значений:
'MOESP'
- Использует алгоритм MOESP от Verhaegen.
'CVA'
- Использует канонический алгоритм вариации (CVA) Ларимора.
'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'
- Программа автоматически определяет, должен ли алгоритм MOESP или CVA использоваться в шаге разложения сингулярных значений.
По умолчанию:
'auto'
N4Horizon
- Определяет горизонты предсказания вперед и назад, используемые 'n4sid'
алгоритм. Применяется при InitializeMethod
является 'n4sid'
.
N4Horizon
- вектор-строка 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 [1]. 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 N4Horizon = 'auto'
программное обеспечение использует информационный критерий Акайке (AIC) для выбора sy
и su
.
По умолчанию:
'auto'
FilterTimeConstant
- Константа времени дифференцирующего фильтра, используемая iv
, svf
, и gpmf
методы инициализации (см. [4] и [5]).
FilterTimeConstant
задает частоту отключения дифференцирующего фильтра, Fcutoff, как:
Ts является шагом расчета данных оценки.
Задайте FilterTimeConstant
как положительное число, обычно меньше 1. Хорошее значение FilterTimeConstant
- отношение Ts к доминирующей временной константе системы.
По умолчанию:
0.1
MaxIterations
- Максимальное количество итераций. Применяется при InitializeMethod
является 'iv'
.
По умолчанию:
30
Tolerance
- Допуск сходимости. Применяется при InitializeMethod
является 'iv'
.
По умолчанию:
0.01
'InitialCondition'
- Обработка начальных условий'auto'
(по умолчанию) | 'zero'
| 'estimate'
| 'backcast'
Обработка начальных условий во время оценки, заданная как одно из следующих значений:
'zero'
- Все начальные условия приняты за нуль.
'estimate'
- Необходимые начальные условия рассматриваются как параметры оценки.
'backcast'
- Необходимые начальные условия оцениваются обратным процессом (обратная фильтрация), описанным в [2].
'auto'
- Сделан автоматический выбор из предыдущих опций, руководствуясь данными.
'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.
'inv'
- Применимо для оценки только с использованием данных частотной характеристики. Использовать в качестве весового фильтра, где G (ω) является комплексными данными частотной характеристики. Используйте эту опцию для захвата относительно низкой амплитудной динамики в данных или для подгонки данных с высокой модальной плотностью. Эта опция также облегчает настройку зависимых от канала весовых фильтров для данных частотной характеристики MIMO.
'invsqrt'
- Применимо для оценки только с использованием данных частотной характеристики. Использовать в качестве утяжеляющего фильтра. Используйте эту опцию для захвата относительно низкой амплитудной динамики в данных или для подгонки данных с высокой модальной плотностью. Эта опция также облегчает настройку зависимых от канала весовых фильтров для данных частотной характеристики MIMO.
'EnforceStability'
- Контролировать, обеспечивать ли стабильность моделиfalse
(по умолчанию) | true
Управляйте, следует ли применять стабильность предполагаемой модели, заданную как разделенная разделенными запятой парами, состоящая из 'EnforceStability'
и любой из них true
или false
.
Используйте эту опцию при оценке моделей с использованием данных частотного диапазона. Модели, оцененные с использованием данных временной области, всегда стабильны.
Типы данных: logical
'EstimateCovariance'
- Контролировать, генерировать ли параметрические ковариационные данныеtrue
(по умолчанию) | false
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.
'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 [1].
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 значением.
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 InitialCondition
является 'auto'
.
По умолчанию: 1.05
opt
- Набор опций для tfest
tfestOptions
набор опцийНабор опций для tfest
, возвращается как tfestOptions
набор опций.
opt = tfestOptions;
Создайте набор опций для tfest
использование 'n4sid'
алгоритм инициализации и установите Display
на 'on'
.
opt = tfestOptions('InitializeMethod','n4sid','Display','on');
Кроме того, используйте запись через точку, чтобы задать значения opt
.
opt = tfestOptions; opt.InitializeMethod = 'n4sid'; 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] Ljung, L. System Identification: Теория для пользователя. Upper Saddle River, NJ: Prentice-Hall PTR, 1999.
[2] Кнудсен, Т. «Новый метод оценки моделей ARMAX», В трудах 10-го симпозиума IFAC по системе идентификации, SYSID '94, Копенгаген, Дания, июль 1994, том 2, стр. 611-617.
[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] Гарнье, Х., М. Менслер и А. Ричард. «Непрерывное время Модели Identification From Выборочных данных: Реализация Issues and Эффективности Evaluation» International Journal of Control, 2003, Vol. 76, Issue 13, pp 1337-1357.
[5] Ljung, L. «Эксперименты с идентификацией моделей непрерывного времени». Материалы 15-го симпозиума ИФАК по системе идентификации. 2009.
[6] Янссон, М. «Subspace identification and ARX modeling». 13-й симпозиум IFAC по системе идентификации, Роттердам, Нидерланды, 2003.
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.