估计多项式模型的应用
在系统识别应用,选择估计>多项式模型对话框打开多项式模型。
更多信息在选项对话框中,点击帮助。
在结构列表中,选择你想要的多项式模型结构来估计从以下选项:
ARX (na nb nk):ARMAX (na nb数控nk):OE (nb nf nk):BJ (nb数控nd nf nk):
这个动作在多项式模型更新选项对话框与这个模型结构。每个模型结构的信息,请参阅多项式模型是什么?。
请注意
对于时间序列数据,只有基于“增大化现实”技术和ARMA模型是可用的。估计时间序列模型的更多信息,请参阅时间序列分析。
在订单字段中,指定模型和延迟订单,如下:
对于多项式模型,输入模型根据序列显示在订单和延误结构字段。对于多输入多模型,指定
注和nk行向量与尽可能多的元素有输入。如果你估计BJ和OE模型,您还必须指定nf作为一个向量。例如,对于一个三个输入系统,
注可以(1 2 4),其中每个元素对应一个输入。对于输出模型,输入订单中描述模型多项式多输出多项式模型的尺寸和订单。
提示
进入模型的订单和延迟使用命令编辑器对话框中,点击命令编辑器。
(ARX模型)选择评估方法作为ARX或四世(工具变量方法)。关于算法的信息,请参阅多项式模型估计算法。
(ARMAX ARX和BJ模型)检查添加噪声集成复选框添加一个积分器噪声源,e。
指定延迟使用输入延迟编辑框。的值必须是一个向量长度等于输入通道的数量数据。对于离散时间估计(任何估计使用数据和非零采样时间),延迟必须表示数量的滞后。这些延迟是分开的“模型”指定的延迟
nk秩序订单编辑框。在的名字字段,编辑模型或保留默认的名称。
在焦点列表中,选择如何权衡适合在不同频率的相对重要性。关于每个选项的更多信息,请参阅分配评估权重。
在初始状态列表中,指定您希望算法如何对待初始条件。关于可用的选项的更多信息,请参阅指定初始条件迭代估计算法。
提示
如果你得到一个不准确的健康,尝试设定一个特定的方法来处理自动初始状态而不是选择了它。
在协方差列表中,选择
估计如果你想要的算法来计算参数的不确定性。影响等不确定性都显示在图模型的信心。省略估计不确定性,选择
没有一个。跳过不确定性计算大型多输出模型可能会减少计算时间。点击正则化获取正则化模型参数的估计。指定正则化的正规化常数选项对话框。欲了解更多,请看正则化模型参数的估计。
(ARMAX OE和BJ模型)来查看评估进展在MATLAB命令窗口中,选择显示进度复选框。这个启动一个进程查看器窗口评估进展的报道。
点击估计这个模型添加到模型板系统中识别应用。
(预测误差方法)停止搜索,并将结果保存在当前迭代已经完成之后,点击停止迭代。继续迭代从当前的模型中,单击继续iter按钮将当前参数值作为初始猜测接下来的搜索。
分配评估权重
您可以指定如何重适合在不同的频率估计算法。的应用,集焦点下列选项之一:
预测——使用噪音的逆模型H重的相对重要性如何密切配合的数据在不同的频率范围。对应于最小化领先一步预测,通常倾向于适合短时间间隔。输出预测优化应用程序。模拟——使用输入谱来权衡的相对重要性适合一个特定的频率范围。不使用噪音模型重量的相对重要性如何密切配合的数据在不同的频率范围。输出的模拟应用程序的优化。稳定——估计最好的稳定模型。对模型稳定性的更多信息,看一下不稳定模型。过滤器——指定一个自定义过滤器打开估计焦点对话框中,您可以输入一个过滤器,所述简单的通带滤波器或定义一个自定义的过滤器。这个前置过滤只适用于估计的动态输入输出。扰动模型确定的未经过滤的估计数据。
下一个步骤
验证该模型通过选择适当的复选框模型视图系统识别应用领域。关于验证模型的更多信息,见验证后的模型估计。
导出模型的MATLAB通过拖拽到工作区进行进一步分析到工作空间矩形的系统识别应用。
提示
对于ARX和OE模型,您可以使用导出的模型初始化一个非线性估计在命令行。这个初始化可以提高模型的适应。看到初始化非线性ARX使用线性模型估计,初始化Hammerstein-Wiener使用线性模型估计。
