greyestOptions
选项集感动的
语法
opt = greyestOptions
opt = greyestOptions(名称,值)
输入参数
名称-值参数
指定可选参数对为Name1 = Value1,…,以=家
,在那里的名字
参数名称和价值
对应的值。名称-值参数必须出现在其他参数之后,但对的顺序无关紧要。
在R2021a之前,使用逗号分隔每个名称和值,并将其括起来的名字
在报价。
InitialState
- - - - - -初始状态的处理
“汽车”
(默认)|“模型”
|“零”
|“估计”
|“展望”
在估计过程中对初始状态的处理,指定为以下值之一:
“模型”
—初始状态由节点使用的ODE文件参数化idgrey
模型。ODE文件必须返回6个或更多输出参数。“零”
—初始状态设置为0。ODE文件返回的任何值都将被忽略。“估计”
—初始状态被视为一个独立的估计参数。“展望”
-初始状态估计使用最佳最小二乘拟合。“汽车”
-软件根据估计数据选择处理初始状态的方法。Vector of doubles -指定长度的列向量Nx,在那里Nx是状态数。对于多实验数据,指定一个矩阵不列,不是实验的次数。在估计过程中,指定的值被视为固定值。
DisturbanceModel
- - - - - -干扰分量的处理
“汽车”
(默认)|“模型”
|“固定”
|“没有”
|“估计”
干扰分量的处理(K),指定为以下值之一:
“模型”
- - - - - -K对象使用的ODE文件参数化idgrey
模型。ODE文件必须返回5个或更多输出参数。“固定”
的值K
的属性idgrey
Model固定为其原始值。“没有”
- - - - - -K固定为零。ODE文件返回的任何值都将被忽略。“估计”
- - - - - -K作为一个独立的估计参数。“汽车”
-软件选择处理估计过程中如何处理扰动分量的方法。该软件使用“模型”
方法,如果ODE文件返回5个或更多带有有限值的输出参数K.否则,软件使用“固定”
方法。
请注意
噪声模型不能用频域数据估计。
焦点
- - - - - -最小化误差
“预测”
(默认)|“模拟”
估计期间损失函数中要最小化的误差,指定为逗号分隔的对,由“焦点”
和以下值之一:
“预测”
-在估计过程中,将测量输出与预测输出之间提前一步的预测误差最小化。因此,估计的重点是产生一个良好的预测模型。“模拟”
-在估计过程中,测量输出和模拟输出之间的模拟误差最小化。因此,估计的重点是在当前输入条件下对模型响应的模拟进行良好的拟合。
的焦点
期权可以理解为损失函数中的加权滤波器。有关更多信息,请参见损失函数和模型质量度量.
WeightingFilter
- - - - - -加权预滤器
[]
(默认)|向量|矩阵|单元阵列|线性系统
加权预滤波器应用于估计过程中要最小化的损失函数。要了解的效果WeightingFilter
关于损失函数,请参见损失函数和模型质量度量.
指定WeightingFilter
作为下列值之一:
[]
—不使用加权预过滤器。通带—指定包含定义所需通带的频率值的行向量或矩阵。您可以选择一个频带,其中估计模型和估计数据之间的拟合是优化的。例如,
(王,wh)
在哪里王
而且wh
表示通带的下限和上限。对于有几行定义频率通带的矩阵,[w1l, w1h; w2l w2h; w3l, w3h;……)
,估计算法使用频率范围的并集来定义估计通带。通带用
rad / TimeUnit
对于时域数据,在FrequencyUnit
对于频域数据,其中TimeUnit
而且FrequencyUnit
是估计数据的时间和频率单位。SISO滤波器-指定一个单输入单输出(SISO)线性滤波器在以下方式之一:
一个SISO LTI模型
{A, B, C, D}
格式,它指定与估计数据具有相同采样时间的过滤器的状态空间矩阵。{分子,分母}
格式,该格式将过滤器的分子和分母指定为与估计数据具有相同采样时间的传递函数。该选项将加权函数作为滤波器和输入频谱的乘积来计算,以估计传递函数。
加权向量-仅适用于频域数据。指定一个权值列向量。这个向量的长度必须与数据集的频率向量相同,
数据。频率
.数据中的每个输入和输出响应都乘以相应频率的权重。
EnforceStability
- - - - - -控制是否加强模型的稳定性
假
(默认)|真正的
控制是否强制估计模型的稳定性,指定为由逗号分隔的对组成“EnforceStability”
,要么真正的
或假
.
数据类型:逻辑
EstimateCovariance
- - - - - -控制是否生成参数协方差数据
真正的
(默认)|假
控制是否生成参数协方差数据,指定为真正的
或假
.
如果EstimateCovariance
是真正的
,然后使用getcov
从估计的模型中获取协方差矩阵。
显示
- - - - - -指定是否显示估计进度
“关闭”
(默认)|“上”
指定是否显示评估进度,指定为以下值之一:
“上”
-有关模型结构和估计结果的信息显示在进度查看器窗口中。“关闭”
—无进度和结果信息。
InputOffset
- - - - - -在估计过程中去除时域输入数据的偏移
[]
(默认)|正整数向量|矩阵
在估计期间从时域输入数据中去除偏移量,指定为下列之一:
长度为正整数的列向量ν,在那里ν是输入的数量。
[]
—不偏移。ν——- - - - - -不矩阵-对于多个实验数据,请指定
InputOffset
作为一个ν——- - - - - -不矩阵。ν输入的数量和不是实验的次数。
由InputOffset
从相应的输入数据中减去。
OutputOffset
- - - - - -在估计过程中去除时域输出数据的偏移
[]
(默认)|向量|矩阵
在估计期间从时域输出数据中去除偏移量,指定为下列之一:
长度的列向量纽约,在那里纽约是输出的数量。
[]
—不偏移。纽约——- - - - - -不矩阵-对于多个实验数据,请指定
OutputOffset
作为一个纽约——- - - - - -不矩阵。纽约输出的数量,和不是实验的次数。
由OutputOffset
从相应的输出数据中减去。
OutputWeight
- - - - - -多输出估计中预测误差的加权
[]
(默认)|“噪音”
|正半定对称矩阵
多输出估计中预测误差的权重,指定为以下值之一:
“噪音”
——减少 ,在那里E表示预测误差和N
是数据样本的数量。这种选择在统计意义上是最优的,如果对噪声的方差一无所知,则会导致最大似然估计。它使用估计噪声方差的倒数作为加权函数。请注意
OutputWeight
一定不是“噪音”
如果SearchMethod
是“lsqnonlin”
.正半定对称矩阵(
W
) -最小化加权预测误差矩阵的迹跟踪(E”* E * W / N)
,地点:E预测误差矩阵,每个输出有一列,和W是大小等于输出数的正半定对称矩阵。使用W指定多输出模型中输出的相对重要性,或对应数据的可靠性。
N
是数据样本的数量。
[]
—软件选择“噪音”
用单位矩阵W
.
此选项仅与多输出模型相关。
正则化
- - - - - -模型参数正则化估计的选项
结构
正则化估计模型参数的选项,模型参数指定为带有下表字段的结构。有关正则化的更多信息,请参见模型参数的正则化估计.
字段名 | 描述 | 默认的 |
---|---|---|
λ |
决定偏差与方差权衡的常数。 指定一个正标量,将正则化项添加到估计代价中。 默认值0表示没有正则化。 |
0 |
R |
权重矩阵。 指定一个非负数向量或一个方正半定矩阵。长度必须等于模型的自由参数的数量。 对于黑匣子模型,建议使用默认值。对于结构化和灰盒模型,还可以指定向量 默认值1表示值为 |
1 |
名义上的 |
在估计过程中,自由参数被拉向的标称值。 默认值为0意味着参数值趋于0。如果您正在细化一个模型,您可以将该值设置为 |
0 |
SearchMethod
- - - - - -数值搜索法用于迭代参数估计
“汽车”
(默认)|“gn”
|“玲娜”
|“lm”
|“研究生”
|“lsqnonlin”
|“fmincon”
数值搜索方法用于迭代参数估计,指定为下表中的值之一。
SearchMethod |
描述 |
---|---|
“汽车” |
自动方法选择 直线搜索算法的组合, |
“gn” |
子空间高斯-牛顿最小二乘搜索。 雅可比矩阵的奇异值小于 |
“玲娜” |
自适应子空间高斯-牛顿搜索。 特征值小于 |
“lm” |
Levenberg-Marquardt最小二乘搜索 每个参数值为 |
“研究生” |
最速下降最小二乘搜索。 |
“lsqnonlin” |
的信任区域反射算法
|
“fmincon” |
约束非线性求解器。 的顺序二次规划(SQP)和信任区域反射算法
|
SearchOptions
- - - - - -搜索算法的选项集
搜索选项集
的值指定为搜索选项集,其中的字段取决于的值SearchMethod
.
SearchOptions
结构时SearchMethod
被指定为“gn”
,“玲娜”
,“lm”
,“研究生”
,或“汽车”
字段名 | 描述 | 默认的 | ||||||||||||||||||||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
宽容 |
损失函数的当前值与下一次迭代后的预期改进之间的最小百分比差异,指定为正标量。当预期改善的百分比小于 |
0.01 |
||||||||||||||||||||||||||||||
MaxIterations |
损失函数最小化期间的最大迭代次数,指定为正整数。当迭代停止时 设置 使用 |
20. |
||||||||||||||||||||||||||||||
先进的 |
高级搜索设置,指定为具有以下字段的结构:
|
SearchOptions
结构时SearchMethod
被指定为“lsqnonlin”
字段名 | 描述 | 默认的 |
---|---|---|
FunctionTolerance |
软件最小化的损失函数上的终止容差,以确定估计的参数值,指定为正标量。 的价值 |
1 e-5 |
StepTolerance |
估计参数值上的终止公差,指定为正标量。 的价值 |
1 e-6 |
MaxIterations |
损失函数最小化期间的最大迭代次数,指定为正整数。当迭代停止时 的价值 |
20. |
先进的 |
高级搜索设置,指定为的选项集 有关更多信息,请参见中的“优化选项”表优化选项(优化工具箱). |
使用optimset(“lsqnonlin”) 创建一个默认选项集。 |
SearchOptions
结构时SearchMethod
被指定为“fmincon”
字段名 | 描述 | 默认的 |
---|---|---|
算法 |
|
“sqp” |
FunctionTolerance |
软件最小化的损失函数上的终止容差,以确定估计的参数值,指定为正标量。 |
1 e-6 |
StepTolerance |
估计参数值上的终止公差,指定为正标量。 |
1 e-6 |
MaxIterations |
损失函数最小化期间的最大迭代次数,指定为正整数。当迭代停止时 |
One hundred. |
先进的
- - - - - -其他高级选项
结构
其他高级选项,指定为具有以下字段的结构:
ErrorThreshold
—何时将较大误差的权重由二次调整为线性。误差大于
ErrorThreshold
乘以估计的标准差在损失函数中有一个线性权重。标准差稳健地估计为预测误差中位数的绝对偏差的中位数,除以0.7
.有关健壮规范选择的更多信息,请参见第15.2节[2].ErrorThreshold = 0
禁用鲁棒化,导致纯二次损失函数。在频域数据估计时,软件设置ErrorThreshold
为零。对于包含异常值的时域数据,请尝试设置ErrorThreshold
来1.6
.默认值:0
最大尺寸
—输入输出数据分段时,每个分段的最大元素数。最大尺寸
必须是正整数。默认值:250000
StabilityThreshold
—稳定性测试的阈值。StabilityThreshold
是一个具有以下字段的结构:年代
-指定最右极点的位置,用于测试连续时间模型的稳定性。当一个模型的最右极在的左边时,它被认为是稳定的年代
.默认值:0
z
-所有极点到原点的最大距离,用于测试离散时间模型的稳定性。如果所有极点都在距离内,则认为模型是稳定的z
从原点开始。默认值:
1 +√(eps)
AutoInitThreshold
—自动估计初始状态的时间。初始状态是在何时估计的
y量是测量的输出。
yp, z是使用零初始状态估计的模型的预测输出。
yp, e是使用估计初始状态估计的模型的预测输出。
适用时
InitialState
是“汽车”
.默认值:
1.05
例子
参考文献
[1]威尔斯,艾德里安,B.宁尼斯和S.吉布森。多变量系统估计的基于梯度的搜索第16届国际会计师联合会世界大会论文集,布拉格,捷克共和国,2005年7月3-8日。牛津,英国:爱思唯尔有限公司,2005。
[2] Ljung, L。系统识别:用户的理论.上马鞍河,新泽西州:Prentice-Hall PTR, 1999。
版本历史
在R2012a中引入Beispiel offnen
Sie haben eine geänderte版本dieses Beispiels。Möchten Sie dieses Beispiel mit Ihren Änderungen öffnen?
MATLAB-Befehl
你的身体和身体之间的联系MATLAB-Befehl
Führen Sie den Befehl durch Eingabe in das MATLAB-Befehlsfenster aus。web浏览器unterstützen keine MATLAB-Befehle。
您也可以从以下列表中选择一个网站:
如何获得最佳的网站性能
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。