nlhw

Оцените модель Хаммерстайна-Винера

свернуть все на странице

Синтаксис

sys = nlhw(Data,Orders)
sys = nlhw(Data,Orders,InputNL,OutputNL)
sys = nlhw(Data,LinModel)
sys = nlhw(Data,LinModel,InputNL,OutputNL)
sys = nlhw(Data,sys0)
sys = nlhw(___,Options)

Описание

пример

sys = nlhw(Data,Orders) создает и оценивает модель Хаммерстайна-Винера использование данных об оценке, порядков модели и задержек и кусочных линейных функций по умолчанию как средства оценки нелинейности ввода и вывода.

пример

sys = nlhw(Data,Orders,InputNL,OutputNL) задает InputNL и OutputNL как средства оценки нелинейности ввода и вывода, соответственно.

пример

sys = nlhw(Data,LinModel) использует линейную модель, чтобы задать порядки модели и задержки и кусочные линейные функции по умолчанию для средств оценки нелинейности ввода и вывода.

пример

sys = nlhw(Data,LinModel,InputNL,OutputNL) задает InputNL и OutputNL как средства оценки нелинейности ввода и вывода, соответственно.

пример

sys = nlhw(Data,sys0) совершенствовал или оценивает параметры модели Хаммерстайна-Винера, sys0, использование данных об оценке.

Используйте этот синтаксис для:

  • Обновите параметры ранее предполагаемой модели, чтобы улучшить подгонку к данным об оценке. В этом случае алгоритм оценки использует параметры sys0 как исходные предположения.

  • Оцените, что параметры модели ранее создали использование idnlhw конструктор. До оценки можно сконфигурировать свойства модели с помощью записи через точку.

пример

sys = nlhw(___,Options) задает дополнительные опции оценки модели. Используйте Options с любым из предыдущих синтаксисов.

Примеры

свернуть все

Скрипт Open Live Script
load iddata3
m1 = nlhw(z3,[4 2 1]);
Скрипт Open Live Script

Загрузка данных.

load twotankdata;
z = iddata(y,u,0.2,'Name','Two tank system');
z1 = z(1:1000);

Создайте объект насыщения с нижним пределом 0 и верхним пределом 5.

InputNL = idSaturation('LinearInterval',[0 5]);

Оценочная модель без выходной нелинейности.

m = nlhw(z1,[2 3 0],InputNL,[]);
Открыть скрипт

Генерация пользовательской сетевой нелинейности требует определения пользовательской модульной функции.

Задайте модуль, функционируют и сохраняют его как gaussunit.m.

function [f,g,a] = gaussunit(x)
% Custom unit function nonlinearity.
%
% Copyright 2015 The MathWorks, Inc.
f = exp(-x.*x);
if nargout>1
  g = -2*x.*f;
  a = 0.2;
end

Создайте пользовательскую сетевую нелинейность с помощью gaussunit функция.

H = @gaussunit;
CNet = idCustomNetwork(H);

Загрузите данные об оценке.

load twotankdata;
z = iddata(y,u,0.2,'Name','Two tank system');
z1 = z(1:1000);

Оцените модель Хаммерстайна-Винера использование пользовательской сети.

m = nlhw(z1,[5 1 3],CNet,[]);
Скрипт Open Live Script

Оцените линейную модель OE.

load throttledata.mat
Tr = getTrend(ThrottleData); 
Tr.OutputOffset = 15;
DetrendedData = detrend(ThrottleData, Tr);
opt = oeOptions('Focus','simulation');
LinearModel = oe(DetrendedData,[1 2 1],opt);

Оцените модель Хаммерстайна-Винера использование модели OE как ее линейный компонент и насыщение как ее выходная нелинейность.

sys = nlhw(ThrottleData,LinearModel,[],idSaturation);
Скрипт Open Live Script

Загрузите данные об оценке.

load iddata1

Создайте модель Хаммерстайна-Винера использование idnlhw задавать свойства B модели и F.

sys0 = idnlhw([2,2,0],[],'idWaveletNetwork');
sys0.B{1} = [0.8,1];
sys0.F{1} = [1,-1.2,0.5];

Оцените модель. 

sys = nlhw(z1,sys0);

Оцените модель Хаммерстайна-Винера использование nlhw задавать свойства B модели и F.

sys2 = nlhw(z1,[2,2,0],[],'idWaveletNetwork','B',{[0.8,1]},'F',{[1,-1.2,0.5]});

Сравните две предполагаемых модели, чтобы видеть, что они эквивалентны.

compare(z1,sys,'g',sys2,'r--');

Figure contains an axes object. The axes object contains 3 objects of type line. These objects represent z1 (y1), sys: 70.04%, sys2: 70.04%.

Скрипт Open Live Script

Оцените модель Хаммерстайна-Винера.

load iddata3
sys = nlhw(z3,[4 2 1],'idSigmoidNetwork','idWaveletNetwork');

Совершенствуйте модель, sys.

sys = nlhw(z3,sys);
Скрипт Open Live Script

Создайте набор опции оценки для nlhw чтобы просмотреть прогресс оценки, используйте метод поиска Levenberg-Marquardt и установите максимальные шаги итерации на 50. 

opt = nlhwOptions;
opt.Display = 'on';
opt.SearchMethod = 'lm';    
opt.SearchOptions.MaxIterations = 50;

Загрузите данные и оцените модель.

load iddata3
sys = nlhw(z3,[4 2 1],idSigmoidNetwork,idPiecewiseLinear,opt);

Входные параметры

свернуть все

Данные об оценке временного интервала в виде iddata. 

Порядок и задержки линейной передаточной функции подсистемы в виде [nb nf nk] вектор.

Размерности Orders:

  • Для передаточной функции SISO, Orders вектор из положительных целых чисел.

    nb количество нулей плюс 1, nf количество полюсов и nk входная задержка.

  • Для передаточной функции MIMO с nu входные параметры и ny выходные параметры, Orders вектор из матриц.

    nb, nf, и nk ny- nu матрицы, i-j которых th запись задает порядки и задержку передаточной функции от j th вход к i th выход.

Введите статическое средство оценки нелинейности в виде одного из следующих.

'idPiecewiseLinear' или idPiecewiseLinear объект
(значение по умолчанию)		Кусочная линейная функция
'idSigmoidNetwork' или idSigmoidNetwork объектСигмоидальная сеть
'idWaveletNetwork' или idWaveletNetwork объектСеть Wavelet
'idSaturation' или idSaturation объектНасыщение
'idDeadZone' или idDeadZone объектМертвая зона
'idPolynomial1D' или idPolynomial1D объектОдномерный полином
'idUnitGain' или [] илиidUnitGain объектМодульное усиление
idCustomNetwork объектПользовательская сеть — Подобно idSigmoidNetwork, но с пользовательской заменой для сигмоидальной функции.

Определение вектора символов, например, 'idSigmoidNetwork', создает объект средства оценки нелинейности с настройками по умолчанию. Используйте объектное представление вместо этого, чтобы сконфигурировать свойства средства оценки нелинейности.

InputNL = idWaveletNetwork;
InputNL.NumberOfUnits = 10;

В качестве альтернативы используйте связанную входную функцию средства оценки нелинейности с Аргументами пары "имя-значение".

InputNL = idWaveletNetwork('NumberOfUnits',10);

Для nu введите каналы, можно задать нелинейные средства оценки индивидуально для каждого входного канала установкой InputNL к nu- 1 массив средств оценки нелинейности.

InputNL = [idSigmoidNetwork('NumberofUnits',5); idDeadZone([-1,2])]
Чтобы задать ту же нелинейность для всех входных параметров, задайте одно входное средство оценки нелинейности.

Выведите статическое средство оценки нелинейности в виде одного из следующего:

'idPiecewiseLinear' или idPiecewiseLinear объект
(значение по умолчанию)		Кусочная линейная функция
'idSigmoidNetwork' или idSigmoidNetwork объектСигмоидальная сеть
'idWaveletNetwork' или idWaveletNetwork объектСеть Wavelet
'idSaturation' или idSaturation объектНасыщение
'idDeadZone' или idDeadZone объектМертвая зона
'idPolynomial1D' или idPolynomial1D объектОдномерный полином
'idUnitGain' или [] илиidUnitGain объектМодульное усиление
idCustomNetwork объектПользовательская сеть — Подобно idSigmoidNetwork, но с пользовательской заменой для сигмоидальной функции.

Определение вектора символов создает объект средства оценки нелинейности с настройками по умолчанию. Используйте объектное представление вместо этого, чтобы сконфигурировать свойства средства оценки нелинейности.

OutputNL = idSigmoidNetwork;
OutputNL.NumberOfUnits = 10;

В качестве альтернативы используйте связанную входную функцию средства оценки нелинейности с Аргументами пары "имя-значение".

OutputNL = idSigmoidNetwork('NumberOfUnits',10);

Для ny выведите каналы, можно задать нелинейные средства оценки индивидуально для каждого выходного канала установкой OutputNL к ny- 1 массив средств оценки нелинейности. Чтобы задать ту же нелинейность для всех выходных параметров, задайте одно выходное средство оценки нелинейности.

Дискретное время линейная модель раньше задавало линейную подсистему в виде одного из следующего:

  • Полиномиальная модель ввода - вывода структуры Ошибки на выходе (OE) (idpoly)

  • Модель в пространстве состояний без компонента воздействия (idss с K= 0 )

  • Модель передаточной функции (idtf)

Как правило, вы оцениваете использование модели oe, n4sid, или tfest.

Модель Хаммерстайна-Винера в виде idnlhw объект. sys0 может быть:

  • Модель ранее создала использование idnlhw задавать свойства модели.

  • Модель ранее оценила использование nlhw, то, что вы хотите обновить использование нового набора данных оценки.

    Можно также совершенствовать sys0 использование исходного набора данных оценки. Если предыдущая оценка, остановленная, когда числовой поиск застрял в локальной переменной минимумы функции стоимости, использовать init сначала рандомизировать параметры sys0. Смотрите sys0.Report.Termination для условий остановки поиска. Используя init не гарантирует лучшего решения на дальнейшем улучшении.

Опции оценки для идентификации модели Хаммерстайна-Винера в виде nlhwOptions опция установлена.

Выходные аргументы

свернуть все

Предполагаемая модель Хаммерстайна-Винера, возвращенная как idnlhw объект. Модель оценивается с помощью заданных порядков модели и задержек, средств оценки нелинейности ввода и вывода и опций оценки.

Информация о результатах оценки и используемых опциях хранится в Report свойство модели. Report имеет следующие поля:

Сообщите о полеОписание
Status

Сводные данные состояния модели, которое указывает, была ли модель создана конструкцией или получена оценкой.

Method

Команда оценки используется.

Fit

Количественная оценка оценки, возвращенной как структура. Смотрите Функцию потерь и Метрики качества Модели для получения дополнительной информации об этих метриках качества. Структура имеет следующие поля:

Поле Описание
FitPercent

Мера по нормированной среднеквадратической ошибке (NRMSE) того, как хорошо ответ модели соответствует данным об оценке, описанным как процент fitpercent = 100 (1-NRMSE).

LossFcn

Значение функции потерь, когда оценка завершается.

MSE

Мера по среднеквадратической ошибке (MSE) того, как хорошо ответ модели соответствует данным об оценке.

FPE

Итоговая ошибка предсказания для модели.

AIC

Необработанная мера по Критериям информации о Akaike (AIC) качества модели.

AICc

Маленький объем выборки откорректировал AIC.

nAIC

Нормированный AIC.

BIC

Байесовы информационные критерии (BIC).

Parameters

Ориентировочные стоимости параметров модели.

OptionsUsed

Набор опции используется для оценки. Если никакие пользовательские опции не были сконфигурированы, это - набор опций по умолчанию. Смотрите nlhwOptions для получения дополнительной информации.

RandState

Состояние потока случайных чисел в начале оценки. Пустой, если рандомизация не использовалась во время оценки. Для получения дополнительной информации смотрите rng.

DataUsed

Атрибуты данных используются для оценки, возвращенной как структура со следующими полями.

Поле Описание
Name

Имя набора данных.

Type

Тип данных.

Length

Количество выборок данных.

Ts

Размер шага.

InterSample

Введите междемонстрационное поведение, возвращенное как одно из следующих значений:

  • 'zoh' — Нулевой порядок содержит, обеспечивает кусочно-постоянный входной сигнал между выборками.

  • 'foh' — Хранение первого порядка обеспечивает кусочно-линейный входной сигнал между выборками.

  • 'bl' — Ограниченное полосой поведение указывает, что входной сигнал непрерывного времени имеет нулевую силу выше частоты Найквиста.

InputOffset

Возместите удаленный из входных данных временного интервала во время оценки. Для нелинейных моделей это - [].

OutputOffset

Возместите удаленный из выходных данных временного интервала во время оценки. Для нелинейных моделей это - [].

Termination

Условия завершения для итеративного поиска, используемого для ошибочной минимизации предсказания, возвращенной как структура со следующими полями:

Поле Описание
WhyStop

Причина завершения числового поиска.

Iterations

Количество поисковых итераций выполняется алгоритмом оценки.

FirstOrderOptimality

∞- норма вектора просмотра градиента, когда алгоритм поиска останавливается.

FcnCount

Число раз целевая функция было названо.

UpdateNorm

Норма вектора просмотра градиента в последней итерации. Не использованный, когда методом поиска является 'lsqnonlin' или 'fmincon'.

LastImprovement

Улучшение критерия последней итерации, описанной как процент. Не использованный, когда методом поиска является 'lsqnonlin' или 'fmincon'.

Algorithm

Алгоритм используется 'lsqnonlin' или 'fmincon' метод поиска. Не использованный, когда другие методы поиска используются.

Для методов оценки, которые не требуют числовой оптимизации поиска, Termination поле не использовано.

Для получения дополнительной информации см. Отчет Оценки.

Вопросы совместимости

развернуть все

Не рекомендуемый запуск в R2021b

Расширенные возможности

Смотрите также

| | | | | | | | | | | |

Темы

Представленный в R2007a

Документация System Identification Toolbox

Поддержка

Для просмотра документации необходимо авторизоваться на сайте