在大多数情况下,乘法误差模型的减少方法bstmr
倾向于在感兴趣的频率范围内限制原始模型和降阶模型之间的相对误差,因此产生比加性误差方法更精确的降阶模型。在具有低阻尼极点的系统模型中,这一特性非常明显。
下面的命令说明了与任何可加性错误类型相比,乘性错误模型减少方法的重要性。显然,相位匹配算法使用bstmr
在波德图中提供了更好的匹配。
rng (123456);G = rss(30、1、1);%随机30状态模型[gr,有限公司]=减少(G,“算法”,“平衡”,“秩序”7);(gs,信息]=减少(G,“算法”,“英国”,“秩序”7);图(1)波德(G,“b -”、gr、“r——”)标题(“附加误差法”)传说(“原始”,“减少”)
图(2)波德(G,“b -”、gs、“r——”)标题(的相对误差的方法)传说(“原始”,“减少”)
因此,对于某些具有低阻尼极点或零点的系统,平衡随机方法(bstmr
)在这些频率范围内产生更好的降阶模型拟合,使乘法误差小。而加性误差方法,如balancmr
,schurmr
,或hankelmr
只关心最小化整体的“绝对”峰值误差,他们可以产生一个低阶模型,缺少那些低阻尼极点/零频率区域。
bstmr
|balancmr
|schurmr
|hankelmr