Оцените непараметрическую модель импульсной характеристики использование данных из фена. Вход является напряжением, применился к нагревателю, и выход является температурой нагревателя. Используйте первые 500 выборок для оценки.

Загрузите данные и используйте первые 500 выборок, чтобы оценить модель.

load dry2
ze = dry2(1:500);
sys = impulseest(ze);

ze iddata объект, который содержит данные временного интервала. sys, идентифицированная непараметрическая модель импульсной характеристики, idtf модель.

Анализируйте импульсную характеристику идентифицированной модели со времени от 0 до 1.

h = impulseplot(sys,1);

Определите точку, в которой начинается значительный ответ на импульс. Во-первых, отобразите область, которая ограничивает амплитуды, которые не существенно отличаются от нуля. Для этого щелкните правой кнопкой по графику и выберите Characteristics> Confidence Region. Для графиков импульсной характеристики, по умолчанию, этот выбор отображает область доверия с шириной одного стандартного отклонения, которое сосредоточено в нуле вместо одного в центре в значениях отклика. Можно изменить эти значения по умолчанию путем щелчка правой кнопкой по графику и выбора Properties> Options.

В качестве альтернативы можно использовать showConfidence команда.

showConfidence(h);

Первое значение отклика, которое существенно отличается, чем нуль, происходит в 0,24 секунды или третью выборку. Это подразумевает, что транспортная задержка является тремя выборками. Чтобы сгенерировать модель, которая налагает задержку с тремя выборками, устанавливает транспортную задержку, которая является третьим аргументом, к 3. Необходимо также установить второй аргумент, порядок n, к его значению по умолчанию [] как заполнитель.

sys1 = impulseest(ze,[],3);
h1 = impulseplot(sys1,1);
showConfidence(h1);

Ответ является тождественно нулевым до 0,24 секунд.

Загрузите данные об оценке.

load iddata3 z3;

Оцените 35-й порядок модель FIR.

n = 35;
sys = impulseest(z3,n);

Можно подтвердить порядок модели sys путем отображения количества терминов.

nsys = size(sys.num)

nsys = 1×2

     1    35

Установите n к [] так, чтобы функция автоматически определила n. Отобразите порядок модели.

n = [];
sys1 = impulseest(z3,n);
nsys1 = size(sys1.Numerator)

nsys1 = 1×2

     1    70

Порядок модели равняется 70. Значением по умолчанию для порядка является [], так устанавливание порядка к [] эквивалентно исключению спецификации.

Оцените модель импульсной характеристики с транспортной задержкой 3 выборок.

Если вы знаете о присутствии задержки данных о вводе/выводе заранее, используйте значение задержки в качестве транспортной задержки оценки импульсной характеристики.

Сгенерируйте данные, которые содержат задержку входа к выходу с 3 выборками.

Создайте случайный входной сигнал. Создайте idpoly модель, которая включает три демонстрационных задержки, которые вы реализуете при помощи трех начальных нулей в полиноме B.

u = rand(100,1);
A = [1 .1 .4];
B = [0 0 0 4 -2];
C = [1 1 .1];
sys = idpoly(A,B,C);

Симулируйте ответ модели y к шумовому сигналу, с помощью AddNoise опция и шаг расчета 1 секунды. Инкапсулируйте y в iddata объект.

opt = simOptions('AddNoise',true);
y = sim(sys,u,opt);
data = iddata(y,u,1);

Оцените и постройте 20-ю модель порядка без транспортной задержки.

n = 20;
model1 = impulseest(data,n);
impulseplot(model1);

График показывает, что импульсная характеристика включает ненулевые выборки во время 3 вторых времен задержки.

Оцените модель с транспортной задержкой с 3 выборками.

nk = 3;
model2 = impulseest(data,n,nk);
impulseplot(model2)

Первые три выборки являются тождественно нулевыми.

Получите упорядоченные оценки модели импульсной характеристики использование опции оценки ядра упорядочивания.

Оцените модель с помощью регуляризации. impulseest выполняет упорядоченные оценки по умолчанию, с помощью настроенного и коррелированого ядра ('TC').

load iddata3 z3;
sys1 = impulseest(z3);

Оцените модель без регуляризации.

opt = impulseestOptions('RegularizationKernel','none');
sys2 = impulseest(z3,opt);

Сравните импульсные характеристики обеих моделей.

h = impulseplot(sys2,sys1,70);
legend('sys2','sys1')

Когда график показывает, использование регуляризации делает ответ более сглаженным.

Постройте доверительные интервалы.

showConfidence(h);

Неопределенность в вычисленном ответе уменьшается в больших задержках для модели с помощью регуляризации. Регуляризация уменьшает отклонение по цене некоторого смещения. Настройка 'TC' регуляризация такова, что ошибка отклонения доминирует над полной ошибкой.

Загрузите данные об оценке.

load regularizationExampleData eData;

Воссоздайте модель передаточной функции, которая использовалась для генерации данных об оценке (истинная система).

num = [0.02008 0.04017 0.02008];
den = [1 -1.561 0.6414];
Ts = 1;
trueSys = idtf(num,den,Ts);

Получите упорядоченную модель (FIR) импульсной характеристики с порядком 70.

opt = impulseestOptions('RegularizationKernel','DC');
m0 = impulseest(eData,70,opt);

Преобразуйте модель в модель в пространстве состояний и уменьшайте порядок модели.

m1 = idss(m0);
m1 = balred(m1,15);

Оцените вторую модель в пространстве состояний непосредственно от eData при помощи упорядоченного сокращения модели ARX.

m2 = ssregest(eData,15);

Сравните импульсные характеристики истинной системы и предполагаемых моделей.

impulse(trueSys,m1,m2,50);   
legend('trueSys','m1','m2');

Три ответа модели подобны.

Используйте эмпирическую импульсную характеристику для результатов измерений, чтобы определить, включают ли данные эффекты обратной связи. Эффекты обратной связи могут присутствовать, когда импульсная характеристика включает статистически значительные значения отклика для отрицательных временных стоимостей.

Вычислите непричинную импульсную характеристику с помощью фильтра четвертого порядка перед отбеливанием и никакой регуляризации, автоматического выбора порядка и отрицательной задержки.

load iddata3 z3;
opt = impulseestOptions('pw',4,'RegularizationKernel','none');
sys = impulseest(z3,[],'negative',opt);

sys непричинная модель, содержащая значения отклика в течение отрицательного времени.

Анализируйте импульсную характеристику идентифицированной модели.

h = impulseplot(sys);

Просмотрите область нулевого ответа в одном стандартном отклонении путем щелчка правой кнопкой по графику и выбора Characteristics> Confidence Region. В качестве альтернативы можно использовать showConfidence команда.

showConfidence(h);

Большое значение отклика в t=0 (нулевая задержка), предполагает, что данные прибывают из процесса, содержащего сквозное соединение. Таким образом, вход влияет на выход мгновенно. Большое значение отклика может также указать на прямую обратную связь, такую как пропорциональное управление без некоторой задержки так, чтобы y(t) частично определяет u(t).

Другие признаки относительно обратной связи в данных являются значительными значениями отклика, такими как те в-7 секунд и-9 секунд.

Вычислите модель импульсной характеристики для данных о частотной характеристике.

Загрузите данные о частотной характеристике, которые содержат измеренный амплитудный AMP и фаза PHA для вектора частоты W.

load demofr;

Создайте комплексную частотную характеристику zfr и инкапсулируйте его в idfrd объект, который имеет шаг расчета 0,1 секунд. Отобразите данные на графике.

zfr = AMP.*exp(1i*PHA*pi/180);
Ts = 0.1;
data = idfrd(zfr,W,Ts);

Оцените модель импульсной характеристики от data и постройте ответ.

sys = impulseest(data);
impulseplot(sys)

Идентифицируйте параметрические и непараметрические модели для набора данных и сравните их переходные процессы.

Оцените модель sys1 импульсной характеристики (непараметрический) и модель в пространстве состояний sys2 (параметрическое) использование набора данных оценки z1.

load iddata1 z1;
sys1 = impulseest(z1);
sys2 = ssest(z1,4);

sys1 идентифицированная модель передаточной функции дискретного времени. sys2 идентифицированная модель в пространстве состояний непрерывного времени.

Сравните переходные процессы для sys1 и sys2.

step(sys1,'b',sys2,'r');
legend('Impulse response model','State-space model');