Чтобы решить проблему оценки оперативного параметра, проверьте следующее:
Проверьте, что вы используете самую простую структуру модели, которая адекватно захватывает динамику системы.
Структуры модели AR и ARX являются хорошими первыми кандидатами для оценки линейных моделей. Базовые алгоритмы оценки для этих структур модели проще, чем для структур модели ARMA, ARMAX, Output-Error и Box-Jenkins. В сложение эти более простые алгоритмы AR и ARX менее чувствительны к предположениям начального параметра.
Более типовая рекурсивная оценка методом наименьших квадратов (RLS) также имеет преимущество алгоритмической простоты, такой как оценка модели AR и ARX. RLS позволяет вам оценить параметры для более широкого класса моделей, чем ARX и AR, и может включать нелинейности. Однако конфигурирование структуры AR или ARX проще.
Примите во внимание следующее при выборе структуры модели:
Структуры модели AR и ARX - если вы оцениваете модель timeseries (без входов), попробуйте структуру модели AR. Если вы оцениваете модель вход-выход, попробуйте структуру модели ARX. Также попробуйте различные порядки моделей с этими структурами модели. Эти модели оценивают выход системы на основе сдвинутых во времени версий выходных и входных сигналов. Например, a и b параметры системы y (<reservedrangesplaceholder9>) = <reservedrangesplaceholder8> <reservedrangesplaceholder7> (<reservedrangesplaceholder6>) + <reservedrangesplaceholder5> <reservedrangesplaceholder4> (t-1) - <reservedrangesplaceholder2> <reservedrangesplaceholder1> (t-1) может быть оценен, используя модели ARX.
Для получения дополнительной информации о моделях AR и ARX, смотрите Что такое полиномиальные модели?.
Оценка RLS - Если вы оцениваете систему, которая линейна в оценочных параметрах, но не вписывается в структуры модели AR или ARX, попробуйте оценку RLS. Можно оценить выход системы на основе сдвинутых во времени версий входно-выходных сигналов, таких как AR и ARX, а также можно добавить нелинейные функции. Например, Вы можете оценить параметры p1, p2, и p3 системы y (<reservedrangesplaceholder9>) = <reservedrangesplaceholder8> <reservedrangesplaceholder7> (t-1) + <reservedrangesplaceholder5> <reservedrangesplaceholder4> (t-1) + <reservedrangesplaceholder2> <reservedrangesplaceholder1> (t-1)2 . Вы можете также оценить статические модели, такие как пригодная линией проблема оценки параметров a и b в y (<reservedrangesplaceholder4>) = <reservedrangesplaceholder3> <reservedrangesplaceholder2> (<reservedrangesplaceholder1>) + b.
ARMA, ARMAX, Output-Error, Box-Jenkins model structures - Эти структуры модели обеспечивают большую гибкость по сравнению со структурами AR и ARX модели для захвата динамики линейных систем. Для образца модель ARMAX имеет больше динамических элементов (C полиномиальных параметров) по сравнению с ARX для оценки шумовых моделей. Эта гибкость может помочь, когда AR и ARX недостаточно для захвата интересующей динамики системы.
Определение начальных значений ковариации параметров и параметров особенно рекомендовано для этих структур модели. Это связано с тем, что метод оценки, используемый для этих структур модели, может застрять в локальном оптимуме. Для получения дополнительной информации об этих моделях см. «Что такое полиномиальные модели?».
Проверьте порядок заданной структуры модели. Можно недостаточно подгонять (порядок модели слишком низок) или избыточно подгонять (порядок модели слишком высок) данные путем выбора неправильного порядка модели.
В идеале вам нужна модель самого низкого порядка, которая адекватно захватывает динамику вашей системы. Недостаточная подгонка препятствует поиску алгоритмами хорошей подгонки к модели, даже если все другие настройки оценки хороши, и существует хорошее возбуждение динамики системы. Сверхподбор кривой обычно приводит к высокой чувствительности параметров к шуму измерения или выбору входных сигналов.
Используйте входы, которые адекватно возбуждают динамику системы. Простые входы, такие как вход шага, обычно не обеспечивают достаточного возбуждения и хороши для оценки только очень ограниченного числа параметров. Одним из решений является введение дополнительных входных возмущений.
Данные оценки, которые содержат недостатки, могут привести к плохим результатам оценки. Недостатки данных включают дрейф, смещение, отсутствующие выборки, равновесное поведение, сезонности и выбросы. При необходимости рекомендуется предварительно обработать оценочные данные.
Для получения информации о том, как обработать данные оценки в Simulink®, см. Предварительная обработка оперативных данных оценки параметра в Simulink.
Для онлайн-оценки параметра в командной строке вы не можете использовать инструменты предварительной обработки в System Identification Toolbox™. Эти инструменты поддерживают только данные, указанные как iddata объекты. Реализуйте код предварительной обработки как требуется вашим приложением. Чтобы иметь возможность генерировать C и Код С++, используйте команды, поддерживаемые MATLAB® Coder™. Список этих команд см. в разделах Функции и Объекты, поддерживаемые для генерации кода C/C + + (MATLAB Coder).
Проверьте начальные догадки, которые вы задаете для значений параметров и начальной ковариационной матрицы параметра. Рекомендуется задать начальные догадки параметров и ковариационную матрицу начальных параметров. Эти начальные догадки могут быть основаны на ваших знаниях о системе или получены через автономную оценку.
Ковариация начального параметра представляет неопределенность в вашем предположении для начальных значений. Когда вы уверены в своих начальных предположениях параметра и если начальные предположения параметра намного меньше, чем значение ковариации начального параметра по умолчанию, 10000, задайте меньший начальный параметр ковариации. Обычно ковариация начального параметра по умолчанию слишком велика относительно значений параметров. Результатом является то, что начальные предположения даются менее важно во время оценки.
Начальные предположения о ковариации параметров и параметров особенно важны для моделей ARMA, ARMAX, Output-Error и Box-Jenkins. Плохие или никакие догадки могут привести к тому, что алгоритм найдет локальные минимумы целевой функции в пространстве параметров, что может привести к плохой подгонке.
Проверьте, что у вас есть соответствующие настройки для алгоритма оценки. Например, для алгоритма забывающего фактора выбирайте коэффициент забывания, λ, осторожно. Если λ слишком маленькая, алгоритм оценки принимает, что значение параметров изменяется быстро со временем. Наоборот, если λ слишком велик, алгоритм оценки принимает, что значение параметров не сильно изменяется со временем. Для получения дополнительной информации об алгоритмах оценки см. «Рекурсивные алгоритмы для онлайн-оценки параметра».