Аппроксимация модели объекта управления с помощью метода мультипликативной ошибки

В большинстве случаев метод мультипликативного снижения сложности модели ошибок bstmr имеет тенденцию связывать относительную погрешность между исходной и модели пониженного порядка в интересующей частотной области значений, получая, следовательно, более точную модель пониженного порядка, чем аддитивные методы ошибки. Эта характеристика очевидна в системных моделях с низкими демпфированными полюсами.

Следующие команды иллюстрируют значимость метода мультипликативного снижения сложности модели ошибок по сравнению с любым типом аддитивной ошибки. Очевидно, что алгоритм согласования фаз, использующий bstmr обеспечивает лучшую подгонку на диаграмме Боде.

rng(123456); 
G = rss(30,1,1);   % random 30-state model

[gr,infor] = reduce(G,'Algorithm','balance','order',7);
[gs,infos] = reduce(G,'Algorithm','bst','order',7);

figure(1)
bode(G,'b-',gr,'r--')
title('Additive Error Method')
legend('Original','Reduced')

figure(2)
bode(G,'b-',gs,'r--')
title('Relative Error Method')
legend('Original','Reduced')

Поэтому для некоторых систем с низкими демпфированными полюсами или нулями, сбалансированный стохастический метод (bstmr) производит лучшую модель пониженного порядка, подгонку в этих частотных областях значений, чтобы сделать мультипликативную ошибку маленькой. В то время как аддитивные методы ошибки, такие как balancmr, schurmr, или hankelmr только заботиться о минимизации общей «абсолютной» пиковой ошибки, они могут создать модель пониженного порядка, не имея тех низких демпфированных полюсов/нулей областей частоты.

См. также

balancmr | bstmr | hankelmr | schurmr

Похожие темы

• Методы сокращения модели
• Аппроксимация модели объекта управления с помощью аддитивных методов ошибки