Прежде чем можно будет выполнить эту задачу, вы должны иметь:
Ввод/вывод или данные частотной характеристики. Смотрите, что Временной и частотный диапазон Представления Использует Объекты iddata. Для поддерживаемых форматов данных смотрите Данные, Поддержанные Корреляционным анализом.
Выполняемый любые необходимые операции предварительной обработки данных. Если вы используете данные временного интервала, можно детрендировать их перед оценкой. Смотрите Способы Подготовка данных для System Identification.
Использование impulseest
вычислить модели импульсной характеристики. impulseest
оценивает старший разряд, непричинная модель FIR с помощью корреляционного анализа. Получившиеся модели хранятся как idtf
объекты модели и содержат коэффициенты импульсной характеристики в числителе модели.
Оценить модель m
и постройте импульсную характеристику или переходной процесс, используйте следующий синтаксис:
m=impulseest(data,N); impulse(m,Time); step(m,Time);
где data
сингл - или несколько - выход iddata
или idfrd
объект. N
скалярное значение, задающее порядок КИХ-системы, соответствующей области значений времени 0:Ts: (N-1) *Ts, где Ts является шагом расчета данных.
Можно также задать опции оценки, такие как упорядочивание ядра, предварительно беля порядка фильтра и смещения данных, с помощью impulseestOptions
и передайте их как вход к impulseest
. Например:
opt = impulseestOptions('RegularizationKernel','TC')); m = impulseest(data,N,opt);
Чтобы просмотреть область доверия для предполагаемого ответа, использовать impulseplot
и stepplot
создать график. Затем используйте showConfidence
.
Например:
h = stepplot(m,Time);
showConfidence(h,3) % 3 std confidence region
Примечание
cra
альтернативный метод для вычислительной импульсной характеристики из данных временного интервала только.
Выполните анализ модели. См. Модели Проверки После Оценки.