模拟

模拟辨识模型的响应

页面上倒塌

语法

y=sim（系统、udata）

Y = SIM（SYS，UDATA，OPT）

[y，y_sd]=sim卡(___)

[y，y_sd，x]=sim卡(___)

[x, y, y_sd x_sd] = sim卡(___)

SIM（___)

描述

例子

Y= SIM（sys,udata)使用输入数据返回所识别模型的模拟响应，udata.缺省情况下，除了除以所有型号类型之外的零初始条件idnlgrey.，在这种情况下，使用内部存储在模型中的初始条件。

例子

Y= SIM（sys,udata,选择)使用选项集，选择，以配置模拟选项，包括初始条件的规范。

例子

[Y,y_sd.) = sim卡(___)返回估计的标准偏差，y_sd.的模拟响应。

例子

[Y,y_sd.,x) = sim卡(___)返回状态轨迹，x，对于状态空间模型。

例子

[Y,y_sd.,x,x_sd) = sim卡(___)返回状态轨迹的标准差，x_sd，对于状态空间模型。

例子

SIM（___)绘制已识别模型的模拟响应。

例子

全部收缩

使用输入数据模拟状态空间模型

打开直播脚本

加载估计数据。

负载iddata2z2

估计一个三阶状态空间模型。

sys=ssest（z2,3）；

使用估计数据的输入通道模拟已识别的模型。

Y = SIM（SYS，Z2）;

向模拟模型响应添加噪声

打开直播脚本

加载数据，并获得已识别的模型。

负载iddata2z2sys=n4sid（z2,3）；

sys是使用子空间方法估计的三阶状态空间模型。

创建一个模拟选项设置以向模拟模型响应添加噪声。

opt1 = simoptions（'addnoise',真正的);

模拟模型。

Y = SIM（SYS，Z2，OPT1）;

默认高斯白噪声由模型的噪声传递函数过滤，并添加到模拟模型响应中。

你也可以添加自己的噪声信号，E，使用noisdata.选项。

e=randn（长度（z2.u），1）；opt2=simOptions('addnoise'，真的，'noosdata'，e）；

模拟模型。

y = sim (sys、z2 opt2);

使用估算过程中获得的初始条件模拟模型

打开直播脚本

加载数据。

负载iddata1z1

指定估计初始状态的估计选项。

estimOpt=ssestOptions(“InitialState”,'估计'）;

估计一个状态空间模型，并返回估计的初始状态的值。

[sys，x0]=ssest（z1,2，估计值）；

指定模拟的初始条件

simopt = simoptions（'初始条件', x0);

对模型进行仿真，得到模型响应和标准差。

[y，y_sd] = sim（sys，z1，simopt）;

状态空间模型的标准差和状态轨迹估计

打开直播脚本

负载估计数据，并估计状态空间模型。

负载iddata1z1sys = ssest（z1,2）;

返回标准偏差和状态轨迹。

[y，y_sd，x] = sim（sys，z1）;

估计模拟响应的状态轨迹和标准差

打开直播脚本

负载估计数据，并估计状态空间模型。

负载iddata1z1sys = ssest（z1,2）;

创建模拟选项集，并指定初始状态。

opt=simOptions('初始条件'[1, 2]);

指定初始状态的协方差。

opt.x0covorance=[0.10；0 0.1];

计算模拟响应的标准偏差，y_sd.，以及状态轨迹，x_sd.

[Y，Y_SD，X，X_SD] = SIM（SYS，Z1，OPT）;

图模拟模型响应

打开直播脚本

获得已识别的模型。

负载iddata2z2sys = tfest（z2,3）;

sys是一个idtf封装用于测量数据的三阶传递函数的模型z2.

模拟模型。

sim卡（系统，z2）

使用TFEST估计的图形包含一个轴。标题为模拟输出#1:y1的轴包含类型为line的对象。此对象表示y1。

模拟非线性ARX模型

打开直播脚本

在已知的平衡点附近模拟一个单输入单输出的非线性ARX模型，输入水平为1.和输出水平10..

加载样本数据。

负载iddata2

根据数据估计非线性ARX模型。

m = nlarx（z2，[2 2 1]，“树分区”）;

根据过去的数据估计模型的当前状态。在输入和输出变量(这里是2)有滞后时指定尽可能多的过去的样本。

x0 = data2state (M,结构('输入'，（2,1），'输出'，10 *那些（2,1））））;

使用返回的初始状态模拟模型数据状态.

opt=simOptions('初始条件', x0);SIM（M，Z2，OPT）

使用具有预测焦点的nlarx估计的图估计包含轴。标题模拟输出＃1：Y1的轴包含类型线的对象。该对象代表Y1。

从以前的模拟结束继续

打开直播脚本

在前一次仿真运行结束后，继续对非线性ARX模型进行仿真。

根据数据估计非线性ARX模型。

负载iddata2m = nlarx（z2，[2 2 1]，“树分区”）;

使用输入数据的前半部分模拟模型z2.从零初始状态开始模拟。

u1=z2（1:200，[]）；opt1=simOptions('初始条件','零'）;ys1 = sim（m，u1，opt1）;

使用输入数据的后半部分启动另一个模拟z2. 使用与第一次模拟结束时相同的模型状态。

U2 = Z2（201：END，[]）;

要正确设置第二次模拟的初始状态，请使用包输入U1.和产出ys1从第一次模拟到第一次iddata.对象将此数据作为下一次模拟的初始条件传递。

firstsimdata = [ys1，u1];opt2 = simoptions（'初始条件'，firstSimData）；ys2＝sim（M，u2，opt2）；

通过与使用所有输入数据的完整仿真进行比较，验证两个仿真z2.首先，提取整组输入数据。

Utotal = Z2（：，[]）;opt3 = simoptions（'初始条件','零'）;Ystotal = SIM（M，Utotal，Opt3）;

绘制三个反应ys1,ys2和ystotal。ys1应该等于上半年ystotal..ys2应该等于下半年ystotal..

情节（YS1，“b”，ys2，‘g’ysTotal,'k *')

图中包含一个坐标轴。具有标题Y1的轴包含3个类型的类型。这些对象代表ys1，ys2，ystotal。

这些曲线表明了这三个响应ys1,ys2，和ystotal.按预期重叠。

匹配模型响应输出数据

打开直播脚本

估计模型的初始状态M这样，响应最好匹配数据集中的输出z2.

加载样本数据。

负载iddata2;

根据数据估计非线性ARX模型。

M=nlarx（z2，[4 3 2]，波网(“NumberOfUnits”, 20));

估计初始状态M最适合z2.y在模拟响应中。

x0=最终状态（M，z2，Inf）；

模拟模型。

opt=simOptions('初始条件'，x0）；ysim=sim（M，z2.u，opt）；

比较模拟模型输出ysim输入输出信号z2.

时间= z2.SamplingInstants;情节(时间、ysim时间、z2.y'.')

图中包含一个坐标轴。轴线包含2个线型对象。

在已知输入和未知输出的情况下模拟接近稳态的模型

打开直播脚本

开始模拟稳态附近的模型，其中已知输入是1.，但输出是未知的。

加载样本数据。

负载iddata2

根据数据估计非线性ARX模型。

M=nlarx（z2，[4,3,2]，'wavenet'）;

确定输入的均衡状态值1.和未知的目标输出。

x0 = findop (M,'稳定的'，1，楠）;

使用初始状态模拟模型x0.

opt=simOptions('初始条件', x0);SIM（M，Z2.U，OPT）

使用具有预测焦点的nlarx估计的图估计包含轴。标题模拟输出＃1：Y1的轴包含类型线的对象。该对象代表Y1。

在稳态工作点模拟Hammerstein-Wiener模型

打开直播脚本

加载样本数据。

负载iddata2

创建Hammerstein-Wiener模型。

M=nlhw（z2，[4 3 2]，]，“线性”）;

计算对应于的输入电平的稳态工作点值1.以及未知的输出级别。

x0 = findop (M,'稳定的'，1，楠）;

使用估计的初始状态模拟模型。

opt=simOptions('初始条件', x0);sim (M, z2.u)

使用nlhw估计的图包含轴。标题模拟输出＃1：Y1的轴包含类型线的对象。该对象代表Y1。

模拟时间序列模型

打开直播脚本

使用最小二乘方法加载时间序列数据，并估计AR模型。

负载iddata9z9sys = ar (z9 6'ls'）;

对于时间序列数据，指定所需的模拟长度，N=200，使用N-by-0输入数据集。

data = iddata（[]，零（200,0），z9.ts）;

设置初始条件以使用时间序列的初始样本作为历史输出样本。

ic = struct（'输入'，[]，'输出'，z9.y（1:6））；opt=simOptions('初始条件'，我知道了）;

模拟模型。

sim卡（系统、数据、可选）

使用AR估计的图包含轴。标题模拟输出＃1：Y1的轴包含类型线的对象。该对象代表Y1。

了解使用历史数据进行模型模拟

打开直播脚本

模拟模型时，使用历史输入输出数据作为初始条件的代理。首先使用模拟命令并使用辛伐斯选项集。然后，您通过手动将历史数据映射到初始状态来再现模拟输出。

加载一个两输入一输出的数据集。

负载iddata7z7

使用数据确定一个五阶状态空间模型。

sys=n4sid（z7,5）；

将数据集分成两部分。

za = z7（1:15）;zb = z7（16：结束）;

使用中的输入信号模拟模型zB.

USIM = ZB;

模拟需要初始条件。信号值咱是历史数据，即它们是立即在数据之前的时间的输入和输出值zB. 使用咱作为所需初始条件的代理。

io = struct（'输入'，za.inputdata，'输出'，za.outputdata）;opt=simOptions('初始条件'，io）;

模拟模型。

ysim = sim (sys、uSim选择);

现在通过手动将历史数据映射到初始状态来重现输出sys.为此，使用数据状态命令。

xf = data2state (sys,咱);

xf包含的状态值sys在中最近的数据采样之后的瞬间咱.

模拟系统使用xf作为初始状态。

opt2 = simoptions（'初始条件'，XF）;YSIM2 = SIM（SYS，USIM，OPT2）;

绘制输出模拟命令ysim和手动计算的结果ysim2。

地块（ysim，“b”ysim2,'--r')

图中包含一个坐标轴。标题为y1的轴包含两个类型为line的对象。这些对象表示ysim, ysim2。

ysim2是相同的ysim.

输入参数

全部收缩

`sys`—识别模型
辨识线性模型|辨识非线性模型

已标识的模型，指定为以下模型对象之一：

	模型类型	模型对象
确定线性模型	多项式模型	`Idpoly.`
	过程模型	`IDProc.`
	状态空间模型	`智能决策支持系统`
	传递函数模型	`idtf`
	线性灰盒式模型	`idgrey`
辨识非线性模型	非线性ARX模型	`idnlarx`
	非线性Hammerstein-Wiener模型	`idnlw.`
	非线性灰度盒模型	`idnlgrey.`

`udata`—模拟输入数据
`iddata.`对象|矩阵

模拟输入数据，指定为iddata.物体或矩阵。模拟使用此对象的输入通道作为模拟输入。对于离散时间系统的时域仿真，还可以指定udata作为一个矩阵，其列对应于每个输入通道。

如果sys是一个线性模型，可以使用时域或频域数据。如果sys是一个非线性模型，只能使用时域数据。

如果sys是一个时间序列模型，即没有输入的模型，指定udata作为一个ns.-by-0信号，在哪里ns.是希望的仿真输出样本数。例如，模拟100.输出样本，指定udata如下。

UDATA = IDDATA（[]，零（100,0），TS）;

如果您没有实验中的数据，请使用伊迪普特产生具有各种特征的信号。

`选择`—模拟选项
`辛伐斯`选项集

模拟选项，指定为a辛伐斯用于设置以下选项的选项集：

初始条件
输入/输出偏移
添加剂噪声

输出参数

全部收缩

`Y`- 模拟响应
`iddata.`对象|矩阵

模拟响应sys，返回一个iddata.对象或矩阵，这取决于你如何指定udata.例如，如果udata是一个iddata.对象，那么对象也是Y.

如果udata表示时域数据，然后Y是对应的时间向量的模拟响应udata.

如果udata表示频域数据，U(ω.),然后Y包含相应采样时域输出信号的傅里叶变换。这个信号是的频率响应的乘积sys,G(ω.)，及U(ω.).

对于multi-experiment数据,Y是一个对应的多重实验iddata.目的。

`y_sd.`- 估计标准差
双矩阵

线性模型或非线性灰箱模型模拟响应的估计标准差，返回为ns.-经过-纽约矩阵，其中ns.是样品数量和纽约是输出的数量。该软件通过考虑模型参数协方差、初始状态协方差和加性噪声协方差来计算标准差。添加剂噪声协方差存储在NoiseVariance模型的财产。

y_sd.使用一阶灵敏度考虑（高斯近似公式）导出。

对于非线性模型,y_sd.是［］.

`x`-状态空间模型的状态轨迹估计
矩阵|`［］`

状态空间模型的状态轨迹估计，返回为ns.-经过-NX.矩阵，其中ns.是样品数量和NX.是状态数。

x只有相关的sys是一个智能决策支持系统,idgrey，要么idnlgrey.模型如果sys不是状态空间模型，x返回为［］.

`x_sd`-状态轨迹的估计标准差
矩阵|`［］`

状态空间模型的状态轨迹的估计标准偏差，作为一个ns.-经过-NX.矩阵，其中ns.是样品数量和NX.是状态数。该软件通过考虑模型参数协方差、初始状态协方差和加性噪声协方差来计算标准差。添加剂噪声协方差存储在NoiseVariance模型的财产。

x_sd只有相关的sys是一个智能决策支持系统,idgrey，要么idnlgrey.模型如果sys不是状态空间模型，x_sd返回为［］.

提示

当估计模型和测量验证数据集的系统的初始条件不同时，模拟和测量的响应也可能不同，尤其是在响应的开始时。为了最小化这种差异，估计使用初始状态值findstates并使用估计值来设置初始条件选择使用辛伐斯. 有关示例，请参见匹配模型响应输出数据.

算法

模拟指使用输入数据和初始条件计算模型响应。模拟模拟以下系统：

这里，

U(T)为仿真输入数据，udata.
Y(T)是模拟输出响应。
G是从输入到输出的传递函数，在中定义sys.模拟初始条件，如指定使用辛伐斯，设置的初始状态G.
E(T)是一个可选的噪声信号。添加噪音到您的模拟通过创建辛伐斯选项设置，并设置addnoise.选择真的. 此外，可以通过指定noisdata.选项。
H是噪声传递函数，在中定义sys.
δu是从输入信号中减去的可选输入偏移量，U(T），在输入用于模拟模型之前。通过设置来指定输入偏移量InputOffset.选择使用辛伐斯.
δy是添加到输出响应的可选输出偏移量，Y(T），模拟后。通过设置来指定输出偏移量outputOffset.选择使用辛伐斯.

有关指定仿真初始条件，输入和输出偏移和噪声信号数据的更多信息，请参阅辛伐斯.对于多分析数据，您可以单独为每个实验指定这些选项。

选择

采用SIMSD.用于计算响应的标准偏差的蒙特卡罗方法。
模拟扩展大规模集成电路为方便附加与已识别型号有关的功能:
- 非线性模型的仿真
- 加性噪声模拟
- 结合信号偏移
- 响应标准差的计算(仅线性模型)
- 频域仿真（仅限线性型号）
- 模拟使用不同的样本间行为为不同的输入
为了获得模拟响应，没有前述操作中的任何操作，使用大规模集成电路.