nlhw

估算的Hammerstein-Wiener模型

折叠所有页面

语法

SYS = nlhw（数据，命令）
sys = nlhw(数据、订单、InputNL OutputNL)
SYS = nlhw（数据，LinModel）
sys = nlhw(数据、LinModel InputNL OutputNL)
SYS = nlhw（数据，sys0）
SYS = nlhw（___，选项）

描述

例子

SYS= nlhw（数据,命令)创建并使用所述估计数据，模型订单和延迟，并且默认分段线性函数作为输入，并输出非线性估计估计的Hammerstein-Wiener模型。

例子

SYS= nlhw（数据,命令,InputNL,OutputNL)指定InputNL和OutputNL分别作为输入和输出非线性估计量。

例子

SYS= nlhw（数据,LinModel)使用一个线性模型来指定模型的阶数和延迟，以及输入和输出非线性估计器的默认分段线性函数。

例子

SYS= nlhw（数据,LinModel,InputNL,OutputNL)指定InputNL和OutputNL分别作为输入和输出非线性估计量。

例子

SYS= nlhw（数据,sys0)提炼或估计一个的Hammerstein-Wiener模型的参数，sys0，使用估计数据。

使用此语法：

  • 更新之前估计的模型的参数，以提高对估计数据的拟合。在这种情况下，估计算法使用的参数sys0作为初始猜测。

  • 估计以前使用创建的模型的参数idnlhw构造函数。在此之前的估计，你可以配置使用点符号模型属性。

例子

SYS= nlhw（___,选项)指定额外的模型估计选项。用选项与任何以前的语法。

例子

全部折叠

开立真实脚本 
负载iddata3M1 = nlhw（Z3，[4 2 1]）;
开立真实脚本

加载数据。

负载twotankdata;Z = IDDATA（Y，U，0.2％，“名字”,“两舱系统”);Z1 = Z（1：1000）;

具有0下限和5上限创建一个饱和对象。

InputNL =饱和度（'LinearInterval'，[0 5]）;

无输出非线性的估计模型。

米= nlhw（Z1，[2 3 0]，InputNL，[]）;
打开脚本

生成自定义网络非线性需要一个用户定义的单元的功能的定义。

定义单元功能，并将其保存为gaussunit.m。

％2015年版权所有MathWorks公司功能并[f，G，A] = gaussunit（X）F = EXP（-x * X。）;如果1 g = -2*x.*f;一个= 0.2;结束

属性创建自定义网络非线性gaussunit函数。

H = @gaussunit;CNET的= customnet（H）;

加载估计数据。

负载twotankdata;Z = IDDATA（Y，U，0.2％，“名字”,“两舱系统”);Z1 = Z（1：1000）;

估计使用自定义网络的Hammerstein-Wiener模型。

米= nlhw（Z1，[5 1 3]，CNET，[]）;
开立真实脚本

估计线性模型OE。

负载throttledata.matTR = getTrend（ThrottleData）;Tr.OutputOffset = 15;DetrendedData =消除趋势（ThrottleData，TR）;选择= oeOptions（'焦点',“模拟”);线性模型= OE（DetrendedData，[1 2 1]，优化）;

估计哈默斯汀-维纳模型使用OE模型作为它的线性成分和饱和作为它的输出非线性。

SYS = nlhw（ThrottleData，线性模型，[]'饱和');
开立真实脚本

加载估计数据。

负载iddata1

通过构建的Hammerstein-Wiener模型idnlhw以限定的模型属性B和F。

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

估计模型。

SYS = nlhw（Z1，sys0）;

使用估计的Hammerstein-Wiener模型nlhw以限定的模型属性B和F。

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

比较两个估计的模型，看看它们是等价的。

比较（Z1，SYS，'G'sys2,'R--');

开立真实脚本

估计一个Hammerstein-Wiener模型。

负载iddata3SYS = nlhw（Z3，[4 2 1]，'sigmoidnet','wavenet');

细化模型，SYS。

sys = nlhw (z3、sys);
开立真实脚本

创建估计选项集nlhw到视野估计进展和最大迭代步骤设定为50。

选择= nlhwOptions;opt.Display =“上”;opt.SearchOptions。MaxIterations = 50;

加载数据并估计模型。

负载iddata3SYS = nlhw（Z3，[4 2 1]，'sigmoidnet','盲区'，选择）;

输入参数

全部折叠

时域估计数据，指定为IDDATA。

顺序和线性子系统传递函数的延迟，指定为(nb nf nk)向量。

的尺寸命令:

  • 对于SISO传递函数，命令是正整数的向量。

    NB是零加1的数量，NF是极数，以及NK为输入延迟。

  • 对于具有MIMO传输函数nu输入和ny输出，命令是矩阵的向量。

    NB,NF和NK是ny-通过-nu矩阵，其i j个条目指定从订单和传递函数的延迟j个输入到我个输出。

输入静态非线性估计器，指定如下之一。

“pwlinear”要么pwlinear对象
（默认）		 分段线性函数
'sigmoidnet'要么sigmoidnet对象 乙状结肠网络
'wavenet'要么wavenet对象 小波网络
'饱和'要么饱和对象 饱和
'盲区'要么死区对象 死区
'poly1d'要么poly1d对象 一维多项式
'unitgain'要么[]要么unitgain对象 单位增益
customnet对象 自定义网络 - 以类似sigmoidnet，但与用户定义的替换为S形函数。

指定字符载体，例如'sigmoidnet'，创建具有默认设置的非线性估计对象。使用对象表示，而不是配置非线性估计的性能。

InputNL = wavenet;InputNL.NumberOfUnits = 10;

另外，使用与名称 - 值对的参数相关联的输入非线性估计功能。

InputNL = wavenet（'单位的数量'，10）;

为nu输入通道，可以分别指定非线性估计用于通过设定每个输入通道InputNL到nu×1阵列非线性估计量。

InputNL = [sigmoidnet（'单位的数量'，5）;死区（[ -  1,2]）]
若要为所有输入指定相同的非线性，请指定单个输入非线性估计器。

输出静态非线性估计，指定为下列之一：

“pwlinear”要么pwlinear对象
（默认）		 分段线性函数
'sigmoidnet'要么sigmoidnet对象 乙状结肠网络
'wavenet'要么wavenet对象 小波网络
'饱和'要么饱和对象 饱和
'盲区'要么死区对象 死区
'poly1d'要么poly1d对象 一维多项式
'unitgain'要么[]要么unitgain对象 单位增益
customnet对象 自定义网络 - 以类似sigmoidnet，但与用户定义的替换为S形函数。

指定字符向量创建具有默认设置的非线性估计对象。使用对象表示，而不是配置非线性估计的性能。

OutputNL = sigmoidnet;OutputNL。NumberOfUnits = 10;

另外，使用与名称 - 值对的参数相关联的输入非线性估计功能。

OutputNL = sigmoidnet（'单位的数量'，10）;

为ny输出通道，您可以通过设置为每个输出通道分别指定非线性估计器OutputNL到ny×1阵列非线性估计量。要指定所有输出相同的非线性，指定单个输出非线性估计。

离散时间线性模型用于指定线性子系统，指定为以下一种:

  • 输出误差（OE）结构的输入 - 输出多项式模型（idpoly)

  • 状态空间模型，没有干扰分量（中的难点与K=0)

  • 传递函数模型(idtf)

通常情况下，你使用估计模型OE,N4SID， 要么tfest。

的Hammerstein-Wiener模型，指定为idnlhw目的。sys0可以是:

  • 先前创建的模型idnlhw指定模型属性。

  • 使用先前估计的模型nlhw，你想用一个新的估计数据集进行更新。

    你也可以改进sys0使用原始估计数据集。如果在数值搜索陷入代价函数的局部极小值时，先前的估计停止，则使用初始化到第一随机化的参数sys0。看到sys0.Report.Termination停止搜索的条件。使用初始化不能保证在进一步细化时得到更好的解决方案。

估计选项的Hammerstein-Wiener模型识别，指定为nlhwOptions选项集。

输出参数

全部折叠

估计Hammerstein-Wiener模型，返回作为一个idnlhw目的。该模型是使用指定模型订单和延迟，输入和输出的非线性估计，和估计选项估计。

关于所使用的估计结果和选项的信息存储在报告模型的属性。报告具有以下字段：

报告字段 描述
状态

的模型状态，其指示该模型是否是由结构创建或通过估计获得摘要。
方法

使用估计命令。
适合

定量评估的估计，返回作为一个结构。看到损失函数和模型质量度量对这些质量度量的更多信息。该结构具有以下字段：

场 描述
FitPercent

归根的模型的响应如何适合评价数据均方误差（NRMSE）测量，表示为百分比适合= 100（1-NRMSE）。
LossFcn

估计完成时损失函数的值。
MSE

模型的响应如何适合评价数据均方误差（MSE）的措施。
消防工程

该模型最终预测误差。
另类投资会议

原赤池信息量准则（AIC）模型质量的措施。
AICC

小样本大小的修正AIC。
NAIC

标准化AIC。
BIC

贝叶斯信息标准(BIC)。

参数

模型参数估计值。
OptionsUsed

用于估计选项设置。如果尚未配置自定义选项，这是一组的默认选项。看到nlhwOptions想要查询更多的信息。
RandState

随机数流在估计开始时的状态。空的,[]，如果在估计期间未使用随机化。有关更多信息，请参见RNG在MATLAB®文档。
DataUsed

用于估计的数据，返回为具有以下字段的结构的属性：

场 描述
名称

数据集的名称。
类型

数据类型。
长度

数据样本的数量。
TS

样品时间。
InterSample

输入采样间的行为，返回下列值之一：

  • “zoh”-零阶保持器保持样本之间的输入信号为分段常数。

  • 'FOH'- 第一阶保持保持样本之间的分段线性输入信号。

  • 'BL'- 带限行为指明所述连续时间输入信号具有零功率高于奈奎斯特频率。
InputOffset

偏移估计在从时域输入数据中去除。对于非线性模型，它是[]。
OutputOffset

偏移估计在从时域输出数据中去除。对于非线性模型，它是[]。

终止

预测误差最小化迭代搜索的终止条件。结构具有以下字段:

场 描述
WhyStop

原因终止数值搜索。
迭代

估计算法进行搜索迭代次数。
FirstOrderOptimality

∞ -搜索算法终止时梯度搜索向量的范数。
FcnCount

调用目标函数的次数。
UpdateNorm

在最后一次迭代的梯度搜索向量的模。省略当搜索方法'lsqnonlin'要么'fmincon'。
LastImprovement

在最后一次迭代准则的改进，以百分比表示。省略当搜索方法'lsqnonlin'要么'fmincon'。
算法

算法使用'lsqnonlin'要么'fmincon'搜索方法。当使用其他的搜索方法略。

对于估计方法不需要数值搜索优化，终止字段是省略。

有关更多信息，请参见评估报告。

扩展功能

另请参阅

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

主题

介绍了R2007a

系统辨识工具箱文档
金宝app

尝试MATLAB，Sim金宝appulink和其他产品下载188bet金宝搏

得到审判现在