Прежде чем вы сможете выполнить эту задачу, вы должны иметь:
Входные/выходные данные или данные частотной характеристики. Смотрите Представление временных и частотных данных с использованием объектов iddata. Для поддерживаемых форматов данных смотрите Данные, поддерживаемые Корреляционным Анализом.
Выполнено все необходимые операции предварительной обработки данных. Если вы используете данные временной области, можно детрендировать их перед оценкой. Смотрите Способы подготовки данных для системы идентификации.
Использовать impulseest
для вычисления моделей импульсной характеристики. impulseest
оценивает модель конечную импульсную характеристику высокого порядка, без каузы, используя корреляционный анализ. Получившиеся модели хранятся как idtf
объекты модели и содержат коэффициенты импульсной характеристики в числителе модели.
Чтобы оценить модель m
и постройте график импульсной или переходной характеристики, используя следующий синтаксис:
m=impulseest(data,N); impulse(m,Time); step(m,Time);
где data
является одним - или несколькими - выводами iddata
или idfrd
объект. N
является скалярным значением, задающим порядок работы системы конечной импульсной характеристики, соответствующий временной области значений 0:Ts: (N-1) * Ts, где Ts является шагом расчета данных.
Можно также задать опции оценки, такие как регуляризация ядра, предварительное отбеливание порядка фильтра и смещения данных, использование impulseestOptions
и передайте их как вход в impulseest
. Для примера:
opt = impulseestOptions('RegularizationKernel','TC')); m = impulseest(data,N,opt);
Чтобы просмотреть доверительную область для предполагаемого отклика, используйте impulseplot
и stepplot
чтобы создать график. Затем используйте showConfidence
.
Для примера:
h = stepplot(m,Time);
showConfidence(h,3) % 3 std confidence region
Примечание
cra
является альтернативным методом для вычисления импульсной характеристики только от данных временной области.
Выполните анализ модели. См. «Валидация моделей после оценки».