Выражения регрессора и численные значения в нелинейной модели ARX
Rs = getreg(model)
Rm = getreg(model,data)
Rm = getreg(model,data,init)
Rm = getreg(___,'Type',regressorType)
Rs = getreg(model) возвращает выражения для вычислительных регрессоров в нелинейной модели ARX. model idnlarx объект. Типичное использование матриц регрессии, созданных getreg должен сгенерировать входные данные, когда это необходимо, чтобы оценить выход функции отображения, такой как idWaveletNetwork использование evaluate. Например, следующая пара команд оценивает выход функции отображения model.
Regressor_Value = getreg(model,data,'z')
y = evaluate(model.OutputFcn,RegressorValue)y = predict(model,data,1,predictOptions('InitialCondition','z'))
Rm = getreg(model,data) возвращает значения регрессора как timetable для заданного набора данных ввода/вывода data.
Rm = getreg(model,data,init) использует начальные условия, которые заданы в init. Первый N строки каждой матрицы регрессора зависят от начальных состояний init, где N максимальная задержка регрессоров (см. getDelayInfo).
Rm = getreg(___,'Type', возвращает имена регрессоров заданного regressorType)regressorType. Например, используйте команду Rm = getreg(model,'Type','input') возвратить имена только входных регрессоров.
dataiddata объект, содержащий результаты измерений или числовую матрицу, которая содержит значения выходных и входных переменных в порядке [model.OutputName model.InputName].
initНачальные условия ваших данных:
'z' (значение по умолчанию) задает нулевое начальное состояние.
NaN обозначает неизвестные начальные условия.
Действительный вектор-столбец, содержащий значения начального состояния. Для получения дополнительной информации о начальных состояниях см. Определение idnlarx состояний в idnlarx. Для данных нескольких-экспериментов это - матрица, где каждый столбец задает начальное состояние модели, соответствующей тому эксперименту.
iddata объект, содержащий выборки ввода и вывода в моменты времени прежде к первой выборке в data. Когда iddata объект содержит больше выборок, чем максимальная задержка модели, только новые выборки используются. Требуемое количество отсчетов равно max(getDelayInfo(model)).
modeliddata объект, представляющий нелинейную модель ARX.
regressorTypeТип регрессора, чтобы возвратиться в виде одного из следующего:
'all' (значение по умолчанию) — Все регрессоры
'input' — Только введите регрессоры
'output' — Только выведите регрессоры
'standard' — Только линейные и полиномиальные регрессоры
'custom' — Только пользовательские регрессоры
Rmtimetable из значений регрессора для всех или заданного подмножества регрессоров. Каждый столбец в Rm содержит столько же строк, сколько существуют выборки данных. Для модели с nr регрессоры, Rm содержит один столбец для каждого регрессора. Когда data содержит несколько экспериментов, Rm массив ячеек, где каждый элемент соответствует расписанию значений регрессора для эксперимента.
RsВыражения регрессора, представленные как массив ячеек из символьных векторов. Например, выражение 'u1(t-2)' вычисляет регрессор путем задержки входного сигнала u1 к двум разам выборки. Точно так же выражение 'y2(t-1)' вычисляет регрессор путем задержки выходного сигнала y2 одной выборкой времени.
Порядок регрессоров в Rs соответствует индексам регрессора в idnlarx свойство объекта model.RegressorUsage.
Загрузите выборочные данные u и y.
load twotankdata;
Ts = 0.2;Шаг расчета составляет 0,2 секунды.
Создайте объект данных и используйте сначала 1 000 выборок для оценки.
z = iddata(y,u,Ts); ze = z(1:1000);
Оцените нелинейный ARX модель.
model = nlarx(ze,[3 2 1]);
Получите выражения регрессора.
Rs = getreg(model)
Rs = 5x1 cell
{'y1(t-1)'}
{'y1(t-2)'}
{'y1(t-3)'}
{'u1(t-1)'}
{'u1(t-2)'}
Получите значения регрессора.
Rm = getreg(model,ze)
Rm=1000×5 timetable
Time y1(t-1) y1(t-2) y1(t-3) u1(t-1) u1(t-2)
_______ ________ ________ ________ _______ _______
0.2 sec 0 0 0 0 0
0.4 sec 0.1003 0 0 10 0
0.6 sec 0.094621 0.1003 0 10 10
0.8 sec 0.084424 0.094621 0.1003 10 10
1 sec 0.081449 0.084424 0.094621 10 10
1.2 sec 0.08546 0.081449 0.084424 10 10
1.4 sec 0.083002 0.08546 0.081449 10 10
1.6 sec 0.08443 0.083002 0.08546 10 10
1.8 sec 0.092793 0.08443 0.083002 10 10
2 sec 0.099804 0.092793 0.08443 10 10
2.2 sec 0.10559 0.099804 0.092793 10 10
2.4 sec 0.1081 0.10559 0.099804 10 10
2.6 sec 0.12108 0.1081 0.10559 10 10
2.8 sec 0.12404 0.12108 0.1081 10 10
3 sec 0.13551 0.12404 0.12108 10 10
3.2 sec 0.13405 0.13551 0.12404 10 10
⋮
Оцените и постройте выход модели для одного предсказания шага.
Y = evaluate(model.OutputFcn,Rm.Variables);
plot(1:1000,Y)
title('Predicted Model Output Using evaluate')
Предыдущий результат эквивалентен результату, полученному при помощи predict в следующих командах.
Y_p = predict(model,ze,1,'z'); Y = Y_p.OutputData; plot(Y) title('Predicted Model Output Using predict')
idnlarx | linearRegressor | polynomialRegressor | customRegressor | evaluate