Сгенерируйте случайные выборки неопределенной или обобщенной модели
B = usample(A); B = usample(A,N) [B,SampleValues] = usample(A,N) [B,SampleValues] = usample(A,Names,N) [B,SampleValues] = usample(A,Names1,N1,Names2,N2,...) [B,SampleValues] = usample(A,N,Wmax) [B,SampleValues] = usample(A,Names,N,Wmax)
B = usample(A) подставляет случайную выборку неопределенных объектов в A, возвращая определенный (т.е. не неопределенный) массив размера [size(A)]. Область входа A может быть любым неопределенным элементом, матрицей или системой, таким как ureal, umat, uss, или ufrd. A может также быть любой обобщенной матрицей или системой, такой как genss или genmat, который содержит неопределенные блоки и другие типы блоков Система Управления. Если A содержит неопределенные блоки проекта системы управления, они не изменяются в B. Таким образом, например, usample применяется к genss с настраиваемыми и неопределенными блоками результатом является genss массив с настраиваемыми блоками.
B = usample(A,N) подстановки N случайные выборки неопределенных объектов в A, возвращая определенный (т.е. не неопределенный) массив размера [size(A) N].
[B,SampleValues] = usample(A,N) дополнительно возвращает определенные выборочные значения (как a Struct имена полей которых являются именами A's неопределенные элементы) неопределенных элементов. Следовательно, B то же, что и usubs(A,SampleValues).
[B,SampleValues] = usample(A,Names,N) отбирает только неопределенные элементы, перечисленные в Names переменная (камера, или массив char). Если Names не включает все неопределенные объекты в A, затем B будет неопределенным объектом. Все записи Names которые не являются элементами A просто игнорируются. Обратите внимание, что usample(A,fieldnames(A.Uncertainty),N) то же, что и usample(A,N).
[B,SampleValues] = usample(A,Names1,N1,Names2,N2,...) принимает N1 выборки неопределенных элементов, перечисленных в Names1, и N2 выборки неопределенных элементов, перечисленных в Names2и так далее. size(B) будет равен [size(A) N1 N2 ...].
Скалярный параметр Wmax в
[B,SampleValues] = usample(A,N,Wmax) [B,SampleValues] = usample(A,Names,N,Wmax) [B,SampleValues] = usample(A,Names,N,Wmax)
влияет на то, как ultidyn и umargin элементы внутри A отбираются, ограничивая полюса выборок. Если A является непрерывным uss или ufrd, затем полюса отобранных GainBounded
ultidyn или umargin элементы в SampleValues каждый будет иметь величину < = BW. Если A является дискретным временем, затем дискретизируется GainBounded
ultidyn или umargin элементы получаются преобразованием Тастина, с помощью BW/(2*TS) как граница (непрерывной) величины полюса. В этом случае BW должен быть < 1. Если на ultidyn тип PositiveRealзатем выборки получают путем билинейного преобразования (см. «Нормализация функций для неопределенных элементов») GainBounded элементы, описанные выше.
Создайте действительный неопределенный параметр, отсортируйте его и постройте гистограмму выборочных значений.
A = ureal('A',5);
Asample = usample(A,500);Исследуйте размер параметра и массива образцов.
size(A)
Uncertain real scalar.
size(Asample)
ans = 1×3
1 1 500
A является скалярным параметром. Размерности Asample отражать это A является параметром 1 на 1. Исследуйте тип данных Asample.
class(Asample)
ans = 'double'
Выборки скалярного параметра являются числовыми значениями.
Постройте гистограмму выборочных значений.
hist(Asample(:))
Этот пример иллюстрирует, как выборить разомкнутую и замкнутую реакцию неопределенной модели объекта управления для анализа Монте-Карло.
Создайте два неопределенных реальных параметра и неопределенный объект.
gamma = ureal('gamma',4); tau = ureal('tau',.5,'Percentage',30); P = tf(gamma,[tau 1]);
Создайте интегральный контроллер на основе номинальных значений неопределенностей объекта.
KI = 1/(2*tau.Nominal*gamma.Nominal); C = tf(KI,[1 0]);
Теперь создайте неопределенную систему с обратной связью.
CLP = feedback(P*C,1);
Дискретизируйте объект в 20 значениях, распределенных равномерно вокруг tau и gamma куба параметра.
[Psample1D,Values1D] = usample(P,20); size(Psample1D)
20x1 array of state-space models. Each model has 1 outputs, 1 inputs, and 1 states.
Эта выборка возвращает массив из 20 моделей пространства состояний, каждая из которых представляет систему с обратной связью в пределах неопределенности.
Теперь опробуйте объект в 10 значениях tau и 15 значений gamma.
[Psample2D,Values2D] = usample(P,'tau',10,'gamma',15); size(Psample2D)
10x15 array of state-space models. Each model has 1 outputs, 1 inputs, and 1 states.
Постройте график переходных характеристик 1-D объекта отбора проб.
subplot(2,1,1); step(Psample1D)
Оцените неопределенную модель замкнутой системы с теми же значениями с помощью usubs, и постройте график переходной характеристики.
subplot(2,1,2); step(usubs(CLP,Values1D))
Чтобы увидеть эффект ограничения полосы пропускания дискретизированных моделей с Wmax, создать две ultidyn объекты.
A = ultidyn('A',[1 1]); B = ultidyn('B',[1 1]);
Выборка 10 образцов каждого, с использованием предела пропускной способности 1 рад/с на Aи 20 рад/сек на B.
Npts = 10; As = usample(A,Npts,1); Bs = usample(B,Npts,20);
Постройте график 10-секундной переходной характеристики для двух наборов образцов.
step(As,'r',Bs,'b--',10)
Нижний предел полосы пропускания для выборок A приводит в целом к более медленным переходным характеристикам для этих выборок.
rsampleBlock | ucomplex | ufind | ufrd | ultidyn | umargin | umat | ureal | usample | uss | usubs