乘法误差法近似植物模型
在大多数情况下,采用乘法误差模型的缩减方法bstmr
倾向于在感兴趣的频率范围内约束原始模型和降阶模型之间的相对误差,从而产生比加性误差方法更准确的降阶模型。这一特征在低阻尼极点的系统模型中很明显。
下面的命令说明了与任何附加错误类型相比,乘法错误模型减少方法的重要性。显然,采用了相位匹配算法bstmr
提供了更好的波德图拟合。
rng (123456);G = rss(30,1,1);%随机30状态模型[gr,infor] = reduce(G,“算法”,“平衡”,“秩序”7);[gs,info] = reduce(G,“算法”,“英国”,“秩序”7);图(1)波德(G,“b -”、gr、“r——”)标题(“加法误差法”)传说(“原始”,“减少”)
图(2)波德(G,“b -”、gs、“r——”)标题(“相对误差法”)传说(“原始”,“减少”)
因此,对于一些具有低阻尼极点或零的系统,平衡随机方法(bstmr
)产生一个更好的降阶模型,拟合这些频率范围,使乘性误差较小。而加法误差方法,如balancmr
,schurmr
,或hankelmr
他们只关心最小化整体的“绝对”峰值误差,可以产生一个降阶模型,忽略那些低阻尼极点/零频率区域。
另请参阅
bstmr
|balancmr
|schurmr
|hankelmr