В этом разделе показано, как проверить оценку параметра в командной строке. Если валидация указывает на низкое доверие в оценке, смотрите Поиск и устранение проблем с оценкой Параметра в режиме онлайн. После того, как вы подтвердили результаты онлайн-оценки, можно сгенерировать код C/C + + или автономное приложение с помощью MATLAB® Coder™ или MATLAB Compiler™.
Ошибка расчета является различием между измеренным выходом, y
и предполагаемый выход, EstimatedOutput
на каждом временном шаге.
obj = recursiveARX; [A,B,EstimatedOutput] = step(obj,y,u); estimationError = y-EstimatedOutput;
Здесь, u
- входные данные на том временном шаге.
Ошибки расчета ( невязки) могут быть большими в начале оценки или когда существуют большие изменения параметра. Ошибка должна стать меньше, когда оценки параметра сходятся. Небольшие ошибки относительно размера выходов повышают доверие в оценочных значениях.
Симулируйте предполагаемую модель и сравните моделируемые и измеренные выходы. Для этого подайте измеренный вход в модель, которая использует предполагаемые изменяющиеся во времени значения параметров. Затем сравните выход модели с измеренным выходом. Близкое соответствие между моделируемым выходом и измеренным выходом дает доверие в оценочных значениях.
Параметровая ковариация является мерой предполагаемой неопределенности в параметрах. Ковариация вычисляется, когда используются алгоритмы забывания коэффициента или оценки фильтра Калмана.
Ковариация параметра вычисляется, принимая, что невязки являются белым шумом, и отклонение этих невязок равно 1. Вы просматриваете ковариационную матрицу параметра с помощью ParameterCovariance
свойство вашей Системной object™.
P = obj.ParameterCovariance;
Оцененные параметры могут быть рассмотрены как случайные переменные с отклонением, равной соответствующей диагонали параметрической ковариационной матрицы, масштабируемой отклонением невязок (residualVariance
) на каждом временном шаге. Вы используете предыдущие знания или вычисляете residualVariance
от невязок, e
. Где, e
- вектор ошибок расчета, estimationError
.
residualVariance = var(e);
Масштабируйте ковариацию параметра, чтобы вычислить отклонение предполагаемых параметров.
paramVariance = diag(P)*residualVariance;
Меньшее значение отклонения дает доверие в оценочных значениях.
Можно проверить моментальный снимок предполагаемой модели с помощью команд валидации для автономной оценки. Эта валидация захватывает только поведение инвариантной по времени модели. Доступные методы автономной валидации в System Identification Toolbox™ см. в разделе Валидация модели.
Чтобы использовать автономные команды, преобразуйте ваши онлайн- Системные объекты оценки, obj
, в idpoly
объект модели. Также преобразуйте ваш поток данных валидации ввода-вывода, Output(t) и Input(t), в iddata
объект.
sys = idpoly(obj); sys.Ts = Ts; z = iddata(Output,Input,Ts)
Здесь, Ts
- шаг расчета.
Примечание
Это преобразование и любой последующий анализ не поддерживаются MATLAB Coder.
Методы валидации включают:
Анализ невязок с помощью методов, таких как тест белизны и тест независимости с помощью автономных команд, таких как resid
. Для примера используйте resid(z,sys)
. Для получения информации об этих тестах см. «Что такое остаточный анализ?».
Сравнение выходов модели и измеренных выходов. Для примера используйте compare(z,sys)
.
Сравнение различных Системных объектов онлайн-оценки.
Можно создать несколько версий системного объекта с различными свойствами объектов, преобразовать каждую из них в idpoly
объекты модели и использование compare
выбрать лучший.
Если необходимо скопировать существующий системный объект и затем изменить свойства скопированного объекта, используйте clone
команда. Не создавать дополнительные объекты с помощью синтаксиса obj2 = obj
. Любые изменения, внесенные в свойства нового системного объекта, созданные таким образом (obj2
) также измените свойства исходного системного объекта (obj
).
recursiveAR
| recursiveARMA
| recursiveARMAX
| recursiveARX
| recursiveBJ
| recursiveLS
| recursiveOE