Выполните рациональный подбор кривой, чтобы объединить зависимые частотой данные
Используйте rational возразите и interpolative алгоритм, чтобы создать рациональную подгонку к зависимым частотой данным.
Комплексные частоты даны уравнением:
fit = rational(___,tol)fit это удовлетворяет допуску относительной погрешности. Задайте tol после любой из комбинаций входных аргументов от предыдущих синтаксисов.
[ также возвращает ошибку подгонки. Используйте любую из комбинаций входных аргументов от предыдущих синтаксисов.fit,error] = rational(___)
fit = rational(___,Name,Value)fit = rational(s,'Tolerance',-34)устанавливает погрешность относительной погрешности в децибелах для fit. Задайте аргументы name-value после любого из входных параметров от предыдущих синтаксисов.
timeresp | Ответ времени для рационального объекта и rationalfit функциональный объект |
stepresp | Ответ неродной сигнала для рационального объекта и rationalfit функциональный объект |
freqresp | Частотная характеристика рационального объекта и rationalfit функциональный объект |
pwlresp | Вычислите ответ времени кусочного линейного входного сигнала |
impulse | Импульсная характеристика для объекта рациональной функции |
ispassive | Возвратите true если rationalfit выход является пассивным элементом на всех частотах |
makepassive | Осуществите пассивность rationalfit выведите или рациональный объект |
passivity | Постройте пассивность N-by-N
rationalfit функциональный выход |
generateSPICE | Сгенерируйте файл SPICE от rationalfit из S-параметров |
passive.s2p ФайлСоздайте S-параметры из файла с именем passive.s2p.
S = sparameters('passive.s2p');Выполните рациональный подбор кривой S-параметров.
fit = rational(S);
Создайте объект S-Parameters из файла с именем default.s2p. Выполните рациональный подбор кривой S-параметров.
S = sparameters('default.s2p'); fit = rational(S,'Display', 'plot')
fit =
rational with properties:
NumPorts: 2
NumPoles: 44
Poles: [44x1 double]
Residues: [2x2x44 double]
DirectTerm: [2x2 double]
ErrDB: -22.6464
Вычислите нули, полюса, усиление и усиление DC рационального объекта.
[z,p,k,dcgain] = zpk(fit)
z=2×2 cell array
{43x1 double} {43x1 double}
{43x1 double} {43x1 double}
p=2×2 cell array
{44x1 double} {44x1 double}
{44x1 double} {44x1 double}
k = 2×2
109 ×
-2.5743 -0.0556
-0.6980 -1.3221
dcgain = 2×2
0.0933 -0.0302
-1.1079 0.4746
rational ОбъектСоздайте объект S-параметров из заданного файла S2P.
S = sparameters('sawfilterpassive.s2p');
f = S.Frequencies;Создайте rational объект с допуском -40 дБ.
fit = rational(S,-40);
Сравните подгонку к данным. Вы видите отклонения в меньших значениях на полулогарифмическом графике.
dresp = freqresp(fit,f); plot(f,20*log10(abs(squeeze(S.Parameters(2,1,:)))),... f,20*log10(abs(squeeze(dresp(2,1,:)))),f,20*log10(abs(squeeze(S.Parameters(2,1,:)-dresp(2,1,:))))) title('Default Fitting for sawfilterpassive.s2p'); ylabel('dB'); xlabel('Frequency (Hz)'); legend('Data','Fit','Error','Location','northwest');
Создайте rational объект с 'ErrorMetric' установите на 'Relative' соответствовать и peaks и оврагам.
rfit = rational(S,-40,'ErrorMetric','Relative');
Сравните подгонку к данным. Peaks и овраги адаптированы.
rresp = freqresp(rfit,f); figure(2) plot(f,20*log10(abs(squeeze(S.Parameters(2,1,:)))),... f,20*log10(abs(squeeze(rresp(2,1,:)))), f, 20*log10(abs(squeeze(S.Parameters(2,1,:)-rresp(2,1,:))))); title('Relative Error Fitting for sawfilterpassive.s2p'); ylabel('dB'); xlabel('Frequency (Hz)'); legend('Data','Fit','Error','Location','northwest');
Создайте объект S-параметров из заданного файла S2P.
S = sparameters('passive.s2p');
f = S.Frequencies;
data = S.Parameters;Обнулите одни из элементов данных.
data(2,2,:) = 0;
Создайте rational объект с допуском -40 дБ.
fit = rational(f,data,-40);
Сравните подгонку к данным. Подгонка и данные соответствуют тесно.
xresp = freqresp(fit,f); figure(3) plot(f,abs(squeeze(data(2,1,:))),f,abs(squeeze(xresp(2,1,:))))
Добавьте шум в данные и создайте rational объект.
rng(1); noisyData = data + 1e-4 * rand(size(S.Parameters)); nfit = rational(f,noisyData,-40);
Сравните подгонку к данным с шумом. Шум не может быть адаптирован, потому что это - данные с подгонкой высшего порядка с худшей ошибочной метрикой.
nresp = freqresp(nfit,f); figure(4) plot(f,abs(squeeze(noisyData(2,2,:))),f,abs(squeeze(nresp(2,2,:))))
Создайте rational объект с уровнем шума -60 дБ и график подгонка. Монтер игнорирует низкоуровневый шум.
ffit = rational(f,noisyData,-40,'NoiseFloor',-60);
fresp = freqresp(ffit,f);
figure(5)
plot(f,abs(squeeze(noisyData(2,2,:))),f,abs(squeeze(fresp(2,2,:))))