Набор опции для tfest
opt = tfestOptions
opt = tfestOptions(Name,Value)
создает набор опции по умолчанию для opt
= tfestOptionstfest
.
создает набор опции с опциями, заданными одним или несколькими opt
= tfestOptions(Name,Value
)Name,Value
парные аргументы.
Задайте дополнительные разделенные запятой пары Name,Value
аргументы. Name
имя аргумента и Value
соответствующее значение. Name
должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN
.
InitializeMethod
— Алгоритм раньше инициализировал числитель и знаменатель'iv'
(значение по умолчанию) | 'svf'
| 'gpmf'
| 'n4sid'
| 'all'
Алгоритм раньше инициализировал значения числителя и знаменатель выхода tfest
, применимый только для оценки передаточных функций непрерывного времени с помощью данных временного интервала в виде одного из следующих значений:
'iv'
— Инструментальный подход Переменной.
'svf'
— Подход Фильтров Переменной состояния.
'gpmf'
— Обобщенный подход Функций Момента Пуассона.
'n4sid'
— Подход оценки пространства состояний подпространства.
'all'
— Комбинация всех предыдущих подходов. Программное обеспечение пробует все эти методы и выбирает метод, который дает к наименьшему значению ошибочной нормы предсказания.
InitializeOptions
— Опция установлена для алгоритма инициализацииНабор опции для алгоритма инициализации раньше инициализировал значения числителя и знаменатель выхода tfest
В виде структуры со следующими полями:
N4Weight
— Вычисляет матрицы взвешивания, используемые на шаге сингулярного разложения 'n4sid'
алгоритм. Применимый, когда InitializeMethod
'n4sid'
.
N4Weight
задан как одно из следующих значений:
'MOESP'
— Использует алгоритм MOESP Verhaegen.
'CVA'
— Использует канонический алгоритм варьируемой величины (CVA) Larimore.
'SSARX'
— Метод идентификации подпространства, который использует ARX основанный на оценке алгоритм, чтобы вычислить взвешивание.
Определение этой опции позволяет объективные оценки при использовании данных, которые собраны в операции с обратной связью. Для получения дополнительной информации об алгоритме, см. [6].
'auto'
— Программное обеспечение автоматически определяет, должны ли алгоритм MOESP или алгоритм CVA использоваться на шаге сингулярного разложения.
Значение по умолчанию:
'auto'
N4Horizon
— Определяет прямые и обратные горизонты предсказания, используемые 'n4sid'
алгоритм. Применимый, когда InitializeMethod
'n4sid'
.
N4Horizon
вектор-строка с тремя элементами: [r sy su]
, где r
максимальный прямой горизонт предсказания. Алгоритм использует до r
неродной вперед предикторы. sy
количество мимо выходных параметров и su
количество прошлых входных параметров, которые используются для предсказаний. Смотрите страницы 209 и 210 в [1] для получения дополнительной информации. Эти числа могут иметь существенное влияние на качество получившейся модели, и нет никаких простых правил для выбора их. Создание 'N4Horizon'
k
- 3 матрицы означают что каждая строка 'N4Horizon'
попробован, и значение, которое дает лучшее (предсказание), подгонка к данным выбрана. k
количество предположений [r sy su]
комбинации.
Если N4Horizon = 'auto'
, программное обеспечение использует Критерий информации о Akaike (AIC) для выбора sy
и su
.
Значение по умолчанию:
'auto'
FilterTimeConstant
— Постоянная времени дифференцирующегося фильтра используется iv
, svf
, и gpmf
методы инициализации (см. [4] и [5]).
FilterTimeConstant
задает частоту среза дифференцирующегося фильтра, Fcutoff, как:
Ts является шагом расчета данных об оценке.
Задайте FilterTimeConstant
как положительное число, обычно меньше чем 1. Хорошее значение FilterTimeConstant
отношение Ts к постоянной времени доминирования системы.
Значение по умолчанию:
0.1
MaxIterations
— Максимальное количество итераций. Применимый, когда InitializeMethod
'iv'
.
Значение по умолчанию:
30
Tolerance
— Допуск сходимости. Применимый, когда InitializeMethod
'iv'
.
Значение по умолчанию:
0.01
InitialCondition
— Обработка начальных условий'auto'
(значение по умолчанию) | 'zero'
| 'estimate'
| 'backcast'
Обработка начальных условий во время оценки в виде одного из следующих значений:
'zero'
— Все начальные условия взяты в качестве нуля.
'estimate'
— Необходимые начальные условия обработаны как параметры оценки.
'backcast'
— Необходимые начальные условия оцениваются backcasting (назад фильтрующий) процесс, описал в [2].
'auto'
— Автоматический выбор среди предыдущих опций делается, ведется по условию.
WeightingFilter
— Взвешивание предварительного фильтра[]
(значение по умолчанию) | вектор | матрица | массив ячеек | линейная система | 'inv'
| 'invsqrt'
Взвешивание предварительного фильтра применилось к функции потерь, которая будет минимизирована во время оценки. Изучать эффект WeightingFilter
на функции потерь смотрите Функцию потерь и Метрики качества Модели.
Задайте WeightingFilter
как одно из следующих значений:
[]
— Никакой предварительный фильтр взвешивания не используется.
Полосы пропускания — Задают вектор-строку или матрицу, содержащую значения частоты, которые задают желаемые полосы пропускания. Вы выбираете диапазон частот, где подгонка между предполагаемой моделью и данными об оценке оптимизирована. Например, [wl,wh]
где wl
и wh
представляйте нижние и верхние пределы полосы пропускания. Для матрицы с несколькими строками, задающими полосы пропускания частоты, [w1l,w1h;w2l,w2h;w3l,w3h;...]
, алгоритм оценки использует объединение частотных диапазонов, чтобы задать полосу пропускания оценки.
Полосы пропускания описываются в rad/TimeUnit
для данных временного интервала и в FrequencyUnit
для данных частотной области, где TimeUnit
и FrequencyUnit
время и единицы частоты данных об оценке.
Фильтр SISO — Задает линейный фильтр одного входа одного выхода (SISO) одним из следующих способов:
Модель SISO LTI
{A,B,C,D}
формат, который задает матрицы пространства состояний фильтра с тем же шагом расчета как данные об оценке.
{numerator,denominator}
формат, который задает числитель и знаменатель фильтра как передаточная функция с тем же шагом расчета как данные об оценке.
Эта опция вычисляет функцию взвешивания как продукт фильтра и входного спектра, чтобы оценить передаточную функцию.
Взвешивание вектора — Применимый для данных частотной области только. Задайте вектор-столбец весов. Этот вектор должен иметь ту же длину как вектор частоты из набора данных, Data.Frequency
. Каждый ответ ввода и вывода в данных умножается на соответствующий вес на той частоте.
'inv'
— Применимый для оценки с помощью данных частотной характеристики только. Использование как фильтр взвешивания, где G (ω) является комплексными данными частотной характеристики. Используйте эту опцию для получения относительно низкой амплитудной динамики в данных, или для подходящих данных с высокой модальной плотностью. Эта опция также облегчает задавать зависимые каналом фильтры взвешивания для данных частотной характеристики MIMO.
'invsqrt'
— Применимый для оценки с помощью данных частотной характеристики только. Использование как фильтр взвешивания. Используйте эту опцию для получения относительно низкой амплитудной динамики в данных, или для подходящих данных с высокой модальной плотностью. Эта опция также облегчает задавать зависимые каналом фильтры взвешивания для данных частотной характеристики MIMO.
EnforceStability
— Управляйте, осуществить ли устойчивость моделиfalse
(значение по умолчанию) | true
Управляйте, осуществить ли устойчивость предполагаемой модели в виде разделенной запятой пары, состоящей из 'EnforceStability'
и любой true
или false
.
Используйте эту опцию при оценке моделей с помощью данных частотной области. Модели, оцененные с помощью данных временного интервала, всегда устойчивы.
Типы данных: логический
EstimateCovariance
— Управляйте, сгенерировать ли данные о ковариации параметраtrue
(значение по умолчанию) | false
Средства управления, сгенерированы ли данные о ковариации параметра в виде true
или false
.
Если EstimateCovariance
true
, затем используйте getcov
выбирать ковариационную матрицу из предполагаемой модели.
Display
— Задайте, отобразить ли прогресс оценки'off'
(значение по умолчанию) | 'on'
Задайте, отобразить ли прогресс оценки в виде одного из следующих значений:
'on'
— Информация о структуре модели и результатах оценки отображена в окне средства просмотра прогресса.
'off'
— Никакая информация о прогрессе или результатах отображена.
InputOffset
— Удаление смещения от входных данных временного интервала во время оценки[]
(значение по умолчанию) | вектор из положительных целых чисел | матрицаУдаление смещения от входных данных временного интервала во время оценки в виде разделенной запятой пары, состоящей из 'InputOffset'
и одно из следующего:
Вектор-столбец положительных целых чисел длины Nu, где Nu является количеством входных параметров.
[]
— Не указывает ни на какое смещение.
Nu-by-Ne матрица — Для данных мультиэксперимента, задайте InputOffset
как Nu-by-Ne матрица. Nu является количеством входных параметров, и Ne является количеством экспериментов.
Каждая запись задана InputOffset
вычтен из соответствующих входных данных.
OutputOffset
— Удаление смещения от выходных данных временного интервала во время оценки[]
(значение по умолчанию) | вектор | матрицаУдаление смещения от выходных данных временного интервала во время оценки в виде разделенной запятой пары, состоящей из 'OutputOffset'
и одно из следующего:
Вектор-столбец длины Ny, где Ny является количеством выходных параметров.
[]
— Не указывает ни на какое смещение.
Ny-by-Ne матрица — Для данных мультиэксперимента, задайте OutputOffset
как Ny-by-Ne матрица. Ny является количеством выходных параметров, и Ne является количеством экспериментов.
Каждая запись задана OutputOffset
вычтен из соответствующих выходных данных.
OutputWeight
— Взвешивание ошибок предсказания по мультивыходным оценкам[]
(значение по умолчанию) | 'noise'
| положительная полуопределенная симметрическая матрицаВзвешивание ошибок предсказания по мультивыходным оценкам в виде одного из следующих значений:
'noise'
— Минимизировать , где E представляет ошибку предсказания и N
количество выборок данных. Этот выбор оптимален в статистическом смысле и приводит к оценкам наибольшего правдоподобия, если ничто не известно об отклонении шума. Это использует инверсию предполагаемого шумового отклонения как функция взвешивания.
Примечание
OutputWeight
не должен быть 'noise'
если SearchMethod
'lsqnonlin'
.
Положительная полуопределенная симметрическая матрица (W
) — Минимизируют трассировку взвешенной ошибочной матрицы предсказания trace(E'*E*W/N)
где:
E является матрицей ошибок предсказания с одним столбцом для каждого выхода, и W является положительной полуопределенной симметрической матрицей размера, равного количеству выходных параметров. Используйте W, чтобы задать относительную важность выходных параметров в нескольких - выходные модели или надежность соответствующих данных.
N
количество выборок данных.
[]
— Программное обеспечение выбирает между 'noise'
или использование единичной матрицы для W
.
Эта опция важна только для мультивыходных моделей.
Regularization
— Опции для упорядоченной оценки параметров моделиОпции для упорядоченной оценки параметров модели. Для получения дополнительной информации о регуляризации смотрите Упорядоченные Оценки Параметров модели.
Regularization
структура со следующими полями:
Lambda
— Постоянный, который определяет смещение по сравнению с компромиссом отклонения.
Задайте положительную скалярную величину, чтобы добавить термин регуляризации в стоимость оценки.
Значение, равное нулю не подразумевает регуляризации.
Значение по умолчанию: 0
R
— Взвешивание матрицы.
Задайте вектор из неотрицательных чисел или квадратной положительной полуопределенной матрицы. Длина должна быть равна количеству свободных параметров модели.
Для моделей черного ящика, с помощью значения по умолчанию рекомендуется. Для структурированного и моделей серого ящика, можно также задать вектор из np
положительные числа, таким образом, что каждая запись обозначает доверие к значению связанного параметра.
Значение по умолчанию 1 подразумевает значение eye(npfree)
, где npfree
количество свободных параметров.
Значение по умолчанию: 1
Nominal
— Номинальная стоимость, к которой свободные параметры вытягивают во время оценки.
Значение, равное нулю подразумевает, что значения параметров вытягивают по направлению к нулю. Если вы совершенствовали модель, можно установить значение к 'model'
вытягивать параметры к значениям параметров первоначальной модели. Начальные значения параметров должны быть конечными для этого принимающегося за работу.
Значение по умолчанию: 0
SearchMethod
— Числовой метод поиска используется для итеративной оценки параметра'auto'
(значение по умолчанию) | 'gn'
| 'gna'
| 'lm'
| 'grad'
| 'lsqnonlin'
| 'fmincon'
Числовой метод поиска, используемый для итеративной оценки параметра в виде разделенной запятой пары, состоящей из 'SearchMethod'
и одно из следующего:
'auto'
— Комбинация алгоритмов поиска линии, 'gn'
, 'lm'
, 'gna'
, и 'grad'
методы пробуют в последовательности в каждой итерации. Первое продвижение направления спуска к сокращению стоимости оценки используется.
'gn'
— Поиск наименьших квадратов Ньютона Гаусса подпространства. Сингулярные значения якобиевской матрицы меньше, чем GnPinvConstant*eps*max(size(J))*norm(J)
отбрасываются при вычислении поискового направления. J является якобиевской матрицей. Матрица Гессиана аппроксимирована как JTJ. Если нет никакого улучшения этого направления, функция пробует направление градиента.
'gna'
— Адаптивный поиск Ньютона Гаусса подпространства. Собственные значения меньше, чем gamma*max(sv)
из Гессиана проигнорированы, где sv содержит сингулярные значения Гессиана. Направление Ньютона Гаусса вычисляется в остающемся подпространстве. gamma имеет начальное значение InitialGnaTolerance
(см. Advanced
в 'SearchOptions'
для получения дополнительной информации. Это значение увеличено факторным LMStep
каждый раз поиску не удается найти нижнее значение критерия меньше чем в пяти делениях пополам. Это значение уменьшено факторным 2*LMStep
каждый раз поиск успешен без любых делений пополам.
'lm'
— Поиск наименьших квадратов Levenberg-Marquardt, где следующим значением параметров является -pinv(H+d*I)*grad
от предыдущего. H является Гессиан, I является единичной матрицей, и grad является градиентом. d является числом, которое увеличено, пока нижнее значение критерия не найдено.
'grad'
— Поиск наименьших квадратов наискорейшего спуска.
'lsqnonlin'
— Доверительная область отражающий алгоритм lsqnonlin
(Optimization Toolbox). Программное обеспечение Requires Optimization Toolbox™.
'fmincon'
— Ограниченные нелинейные решатели. Можно использовать последовательное квадратичное программирование (SQP) и доверять области отражающие алгоритмы fmincon
(Optimization Toolbox) решатель. Если у вас есть программное обеспечение Optimization Toolbox, можно также использовать внутреннюю точку и алгоритмы активного набора fmincon
решатель. Задайте алгоритм в SearchOptions.Algorithm
опция. fmincon
алгоритмы могут привести к улучшенным результатам оценки в следующих сценариях:
Ограниченные проблемы минимизации, когда существуют границы, наложенные на параметры модели.
Структуры модели, где функция потерь является нелинейным или не сглаженной функцией параметров.
Мультивыведите оценку модели. Определяющая функция потерь минимизирована по умолчанию для мультивыходной оценки модели. fmincon
алгоритмы могут минимизировать такие функции потерь непосредственно. Другие методы поиска, такие как 'lm'
и 'gn'
минимизируйте определяющую функцию потерь путем альтернативной оценки шумового отклонения и сокращения значения потерь для данного шумового значения отклонения. Следовательно, fmincon
алгоритмы могут предложить лучший КПД и точность для мультивыходных оценок модели.
SearchOptions
— Опция установлена для алгоритма поискаНабор опции для алгоритма поиска в виде разделенной запятой пары, состоящей из 'SearchOptions'
и набор параметра поиска с полями, которые зависят от значения SearchMethod
.
SearchOptions
Структура, когда SearchMethod
Задан как 'gn'
, 'gna'
, 'lm'
, 'grad'
, или 'auto'
Имя поля | Описание | Значение по умолчанию | ||||||||||||||||||||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Tolerance | Минимальная процентная разница между текущим значением функции потерь и ее ожидаемым улучшением после следующей итерации в виде положительной скалярной величины. Когда процент ожидаемого улучшения меньше | 0.01
| ||||||||||||||||||||||||||||||
MaxIterations | Максимальное количество итераций во время минимизации функции потерь в виде положительного целого числа. Итерации останавливаются когда Установка Используйте | 20
| ||||||||||||||||||||||||||||||
Advanced | Настройки расширенного поиска в виде структуры со следующими полями:
|
SearchOptions
Структура, когда SearchMethod
Задан как 'lsqnonlin'
Имя поля | Описание | Значение по умолчанию |
---|---|---|
FunctionTolerance | Допуск завершения на функции потерь, которую программное обеспечение минимизирует, чтобы определить предполагаемые значения параметров в виде положительной скалярной величины. Значение | 1e-5 |
StepTolerance | Допуск завершения на предполагаемых значениях параметров в виде положительной скалярной величины. Значение | 1e-6 |
MaxIterations | Максимальное количество итераций во время минимизации функции потерь в виде положительного целого числа. Итерации останавливаются когда Значение | 20
|
Advanced | Настройки расширенного поиска в виде набора опции для Для получения дополнительной информации см. таблицу Optimization Options в Опциях Оптимизации (Optimization Toolbox). | Используйте optimset('lsqnonlin') создать набор опции по умолчанию. |
SearchOptions
Структура, когда SearchMethod
Задан как 'fmincon'
Имя поля | Описание | Значение по умолчанию |
---|---|---|
Algorithm |
Для получения дополнительной информации об алгоритмах, см. Ограниченные Нелинейные Алгоритмы Оптимизации (Optimization Toolbox) и Выбор Algorithm (Optimization Toolbox). | 'sqp' |
FunctionTolerance | Допуск завершения на функции потерь, которую программное обеспечение минимизирует, чтобы определить предполагаемые значения параметров в виде положительной скалярной величины. | 1e-6 |
StepTolerance | Допуск завершения на предполагаемых значениях параметров в виде положительной скалярной величины. | 1e-6 |
MaxIterations | Максимальное количество итераций во время минимизации функции потерь в виде положительного целого числа. Итерации останавливаются когда | 100
|
Advanced
— Дополнительные расширенные настройкиДополнительные расширенные настройки в виде структуры со следующими полями:
ErrorThreshold
— Задает, когда настроить вес больших ошибок от квадратичного до линейного.
Ошибки, больше, чем ErrorThreshold
времена предполагаемое стандартное отклонение имеют линейный вес в функции потерь. Стандартное отклонение оценивается надежно как медиана абсолютных отклонений от медианы ошибок предсказания, разделенных на 0.7
. Для получения дополнительной информации об устойчивом выборе нормы смотрите раздел 15.2 из [1].
ErrorThreshold = 0
отключает robustification и приводит к чисто квадратичной функции потерь. При оценке с данными частотной области программное обеспечение устанавливает ErrorThreshold
обнулять. Для данных временного интервала, которые содержат выбросы, попробуйте установку ErrorThreshold
к 1.6
.
Значение по умолчанию: 0
MaxSize
— Задает максимальное количество элементов в сегменте, когда данные ввода - вывода разделены в сегменты.
MaxSize
должно быть положительное, целочисленное значение.
Значение по умолчанию: 250000
StabilityThreshold
— Задает пороги для тестов устойчивости.
StabilityThreshold
структура со следующими полями:
s
— Задает местоположение самого правого полюса, чтобы протестировать устойчивость моделей непрерывного времени. Модель рассматривается устойчивой, когда ее самый правый полюс слева от s
.
Значение по умолчанию: 0
z
— Задает максимальное расстояние всех полюсов от источника, чтобы протестировать устойчивость моделей дискретного времени. Модель рассматривается устойчивой, если всеми полюсами является на расстоянии z
от источника.
Значение по умолчанию: 1+sqrt(eps)
AutoInitThreshold
— Задает, когда автоматически оценить начальные условия.
Начальное условие оценивается когда
ymeas является измеренный выход.
yp,z является предсказанный выход модели, оцененной с помощью нулевых начальных состояний.
yp,e является предсказанный выход модели, оцененной с помощью оцененных начальных состояний.
Применимый, когда InitialCondition
'auto'
.
Значение по умолчанию: 1.05
opt
— Опция установлена для tfest
tfestOptions
опция установленаНабор опции для tfest
, возвращенный как tfestOptions
опция установлена.
opt = tfestOptions;
Создайте набор опций для tfest
использование 'n4sid'
алгоритм инициализации и набор Display
к 'on'
.
opt = tfestOptions('InitializeMethod','n4sid','Display','on');
В качестве альтернативы используйте запись через точку, чтобы установить значения opt
.
opt = tfestOptions; opt.InitializeMethod = 'n4sid'; opt.Display = 'on';
Названия некоторой оценки и опций анализа были изменены в R2018a. Все еще работают предшествующие имена. Для получения дополнительной информации см., что информация о версии R2018a Переименовывает Оценки и Опций анализа.
[1] Ljung, L. System Identification: теория для пользователя. Верхний Сэддл-Ривер, NJ: PTR Prentice Hall, 1999.
[2] Кнудсен, T. "Новый метод для оценки моделей ARMAX", В Продолжениях 10-го Симпозиума IFAC по System Identification, SYSID '94, Копенгаген, Дания, июль 1994, Издание 2, стр 611–617.
[3] Завещания, Эдриан, Б. Ниннесс и С. Гибсон. “На основанном на градиенте поиске многомерных системных оценок”. Продолжения 16-го мирового Конгресса IFAC, Прага, Чешская Республика, 3-8 июля 2005. Оксфорд, Великобритания: Elsevier Ltd., 2005.
[4] Garnier, H., М. Менслер и А. Ричард. “Идентификация Модели непрерывного времени От Выборочных данных: Проблемы Реализации и Оценка результатов деятельности” Международный журнал Управления, 2003, Издание 76, Выпуск 13, стр 1337–1357.
[5] Ljung, L. “Эксперименты с идентификацией моделей непрерывного времени”. Продолжения 15-го симпозиума IFAC по System Identification. 2009.
[6] Янссон, M. “Идентификация подпространства и моделирование ARX”. 13-й Симпозиум IFAC по System Identification, Роттердаму, Нидерланды, 2003.
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.