Переведите ковариацию параметра через операции преобразования моделей
sys_new = translatecov(fcn,sys)
sys_new = translatecov(fcn,Input1,...,InputN)
sys_new = translatecov(fcn,sys)sys в sys_new = fcn(sys), и переводит параметрическую ковариацию sys к параметрической ковариации преобразованной модели. fcn является заданной функцией преобразования. Команда вычисляет ковариацию параметров sys_new путем применения формулы Гаусса приближения. Чтобы просмотреть переведенный параметр ковариации, используйте getcov.
Применение преобразований моделей непосредственно не всегда переводит ковариацию параметра исходной модели к ковариации преобразованной модели. Для примера, d2c(sys) не переводит ковариацию параметра sys. Напротив, translatecov(@(x)d2c(x),sys) производит преобразованную модель, которая имеет те же коэффициенты, что и d2c(sys) и имеет переведенный параметр ковариации sys.
sys_new = translatecov(fcn,Input1,...,InputN)sys_new = fcn(Input1,...,InputN) и его параметрической ковариации. По крайней мере, один из N входы должны быть линейной моделью с параметрической ковариационной информацией.
|
Преобразование моделей, заданная как указатель на функцию. Для функций с одним входом,
Для мультивходов, |
|
Линейная модель с параметром информацией о ковариации, заданная как один из следующих типов модели: Модель должна содержать информацию о параметре ковариации, то есть |
|
Несколько входных параметров в функцию преобразования |
|
Модель, полученная в результате операции преобразования. Модель включает параметрическую ковариационную информацию. |
Преобразуйте предполагаемую модель передаточной функции в модель пространства состояний, переводя также предполагаемую ковариацию параметра.
Оцените модель передаточной функции.
load iddata1
sys1 = tfest(z1,2);Преобразуйте предполагаемую модель в форму пространства состояний, переводя также предполагаемую ковариацию параметра.
sys2 = translatecov(@(x)idss(x),sys1);
Если вы преобразовываете модель передаточной функции в форму пространства состояний непосредственно, предполагаемая ковариация параметра теряется (выход getcov пуст).
sys3 = idss(sys1); getcov(sys3)
ans =
[]
Посмотрите ковариацию параметра в оцененных и преобразованных моделях.
covsys1 = getcov(sys1); covsys2 = getcov(sys2);
Сравните доверительные области.
h = bodeplot(sys1,sys2); showConfidence(h,2);
Доверительные границы для sys1 перекрытия с sys2.
Конкатенируйте 3 модели с одним выходом, так что ковариационные данные из 3 моделей объединяются, чтобы получить ковариационные данные для полученной модели.
Создайте модель пространства состояний.
a = [-1.1008 0.3733;0.3733 -0.9561];
b = [0.7254 0.7147;-0.0631 -0.2050];
c = [-0.1241 0; 1.4897 0.6715; 1.4090 -1.2075];
d = [0 1.0347; 1.6302 0; 0.4889 0];
sys = idss(a,b,c,d,'Ts',0);Сгенерируйте данные оценки с мультивыходами.
t = (0:0.01:0.99)';
u = randn(100,2);
y = lsim(sys,u,t,'zoh');
y = y + rand(size(y))/10;
data = iddata(y,u,0.01);Оцените отдельную модель для каждого выходного сигнала.
m1 = ssest(data(:,1,:),2,'feedthrough',true(1,2), 'DisturbanceModel', 'none'); m2 = ssest(data(:,2,:),2,'feedthrough',true(1,2), 'DisturbanceModel', 'none'); m3 = ssest(data(:,3,:),2,'feedthrough',true(1,2), 'DisturbanceModel', 'none');
Объедините предполагаемые модели с одновременным переводом ковариационной информации.
f = @(x,y,z)[x;y;z]; M2 = translatecov(f, m1, m2, m3);
Ковариация параметра не пуста.
getcov(M2, 'factors')Если вы комбинируете предполагаемые модели в одну модель с 3 выходами непосредственно, ковариационная информация теряется (выход getcov пуст).
M1 = [m1;m2;m3]; getcov(M1)
Сравните доверительные границы.
h = bodeplot(M2, m1, m2, m3); showConfidence(h);
Доверительные границы для M2 перекрываются с частями m1, m2 и m3 модели на соответствующих осях графиков.
Рассмотрите модель обратной связи с обратной связью, состоящую из объекта и контроллера. Переведите ковариацию параметра объекта к модели обратной связи с обратной связью.
Оцените объект как модель пространства состояний четвертого порядка с помощью данных оценки z1.
load iddata1 z1 Plant = ssest(z1,4);
Plant содержит информацию о параметре ковариации.
Создайте контроллер как непрерывную модель с нулями , полюса и усиления, полюсами и усилением, равными -2, -10, 5, соответственно.
Controller = zpk(-2,-10,5);
Определите функцию преобразования, чтобы произвести модель в пространстве состояний обратной связи с обратной связью.
fcn = @(x,y)idss(feedback(x,y));
Переведите ковариацию параметра объекта к модели обратной связи с обратной связью.
sys_new = translatecov(fcn,Plant,Controller);
sys_new содержит переведенную ковариационную информацию параметра.
Постройте график частотной характеристики преобразованной модели sys_new, и просмотрите доверие область ответа.
h = bodeplot(sys_new); showConfidence(h);
График показывает эффект неопределенности в Plant на отклике с обратной связью.
Если вы получили sys через оценку и иметь доступ к данным оценки, можно использовать обновление нулевой итерации, чтобы пересчитать ковариацию параметра. Для примера:
load iddata1
m = ssest(z1,4);
opt = ssestOptions
opt.SearchOptions.MaxIterations = 0;
m_new = ssest(z1,m2,opt)
Вы не можете запустить обновление с нулем итерации в следующих случаях:
Если MaxIterations опция, которая зависит от SearchMethod опция, недоступна.
Для некоторых моделей и типов данных. Для примера - непрерывное время idpoly модели с использованием данных временной области.
translatecov использует числовые возмущения отдельных параметров sys вычислить якобиан fcn(sys) параметры относительно параметров sys. translatecov затем применяется формула Гаусса приближения перевести ковариацию, где J - якобийская матрица. Эта операция может быть медленной для моделей, содержащих большое количество свободных параметров.