识别线性模型使用系统辨识软件——MATLAB和Simulink MathWorks西班牙金宝app

使用系统辨识程序识别线性模型

介绍

目标

对于评估和验证线性模型从单输入/输出)数据来找到最好的描述了系统动力学。

完成本教程后,您将能够使用系统识别应用程序完成以下任务:

从MATLAB进口数据数组^®工作空间到应用程序。
图数据。
处理数据的输入和输出信号通过移除补偿。
评估、验证和比较线性模型。
出口模型的MATLAB工作区。

请注意

本教程演示如何使用时域数据估计线性模型。同样的工作流程适用于合适的频域数据。

本教程是根据17.3节中的示例为用户系统标识:理论第二版,Lennart Ljung,普伦蒂斯霍尔PTR, 1999。

数据描述

本教程使用的数据文件dryer2.mat,其中包含对于单输入/输出)教练PT326时域数据的反馈过程。每个输入和输出信号包含1000个数据样本。

这个系统在进口加热空气使用电阻器的网格线,类似于一个吹风机。输入是电阻器的高压电线,和输出是在出口空气温度。

数据为系统识别做准备

数据加载到MATLAB工作空间

加载数据dryer2.mat通过输入以下命令在MATLAB命令窗口:

负载dryer2

这个命令将数据加载到MATLAB工作区作为两个列向量,u2和y2,分别。的变量u2输入数据和吗y2是输出数据。

打开系统识别应用

打开系统识别应用,MATLAB命令窗口输入以下命令:

systemIdentification

默认的会话名称,无标题的出现在标题栏。

导入数据阵列系统识别的应用

您可以导入对于单输入/输出)数据从一个示例数据文件dryer2.mat应用MATLAB的工作区。

你必须已经示例数据加载到MATLAB,所述数据加载到MATLAB工作区,打开了系统识别应用中描述打开系统识别应用。

如果你没有执行这些步骤,点击这里完成它们。

数组的数据导入到系统识别的应用程序:

选择导入数据>时间域数据。该操作将会打开导入数据对话框。
在“导入数据”对话框中,指定以下选项:
- 输入——输入u2输入变量的名称。
- 输出——输入y2输出变量的名称。
- 数据名称——改变默认的名称数据。这个名字标签系统识别应用程序中的数据导入操作完成后。
- 起始时间——输入0起始时间。这个值指定的起始值时间轴的阴谋。
- 样品时间——输入0.08之间的一段时间连续样本在几秒钟内。这个值是实际的样品时间的实验。
导入数据对话框现在类似于下面的图。
在数据信息区域,点击更多的扩大对话框中,指定以下选项:
输入属性
- Intersample——接受默认zoh(零)来表示输入信号是分段常数之间在数据采集样本。该设置指定的行为样本之间的输入信号之间转换时产生的模型离散和连续时间表示。
- 期——接受默认正指定一个非周期的输入。
  
  请注意
  
  对于一个周期输入,输入整数输入信号的时间在你的实验。
通道名称
- 输入——输入权力。
  
  提示
  
  在情节命名渠道有助于识别数据。对于多变量的输入和输出信号,你可以指定个人的名字输入和输出渠道,由逗号分隔。
- 输出——输入温度。
物理单位的变量
- 输入——输入W对权力的单位。
  
  提示
  
  当你有多个输入和输出,输入一个逗号分隔的列表输入和输出对应于每个通道的单位。
- 输出——输入^ oC温度单位。
笔记——输入评论实验或数据。例如,您可以输入实验名称,日期和实验条件的描述。当你从这个数据估计模型,这些模型继承你的笔记。
扩大进口数据对话框现在类似于下图。
点击进口将数据添加到系统识别应用。应用程序显示一个图标来表示数据。
点击关闭关闭进口数据对话框。

策划和处理数据

在这部分教程中,您将对数据和处理系统识别。您将了解如何:

图数据。
从数据中删除偏移量减去平均值的输入和输出。
把数据分成两部分,使用一部分模型估计和模型验证的另一部分。

从每个信号减去平均值的原因是因为,通常,你建立线性模型描述的反应偏差从物理平衡。与稳态数据,它是合理的假设的平均水平的信号对应于这样一个平衡。因此,您可以寻找模型在零附近没有建模的绝对平衡水平物理单位。

您必须已经导入数据到系统识别应用,所述导入数据阵列系统识别的应用。

如果你没有执行这一步,点击这里来完成它。

情节和处理数据:

选择时间曲线图复选框打开时间曲线图。如果情节窗口为空,点击数据图标在系统识别应用。

顶部轴显示输出数据(温度)和底部轴显示输入数据(权力)。输入和输出数据有非零的意思是值。
减去平均输入值从输入数据和输出数据的平均输出值。在系统识别应用,选择<——预处理>删除方法。

这个操作系统添加一个新的数据集识别应用程序默认名称datad(后缀d意味着去趋势),并更新时间曲线图窗口以显示原始和去趋势数据。有一个零均值的去趋势数据。
指定要用于去趋势数据估计模型。拖动的数据集datad到工作数据矩形。

另外,右击datad图标打开数据/模型信息对话框。

选择使用工作数据复选框。点击应用然后关闭。这一行动增加了datad到工作数据矩形。
把数据分割成两部分,并指定模型估计,第一部分和第二部分模型验证。
1. 选择<——预处理>选择范围打开窗口的选择范围。
2. 在窗口的选择范围,创建一个包含第一个500个样本数据集。在样品字段中,指定1 500。
  
  提示
  
  你也可以用鼠标选择样本数据通过点击和拖动矩形区域的阴谋。如果您选择样本的输入通道轴,相应的地区也选择输出通道轴。
3. 在数据名称字段中,输入名称data_est。
4. 点击插入这个新的数据集添加到系统识别应用程序用于估计模型。
5. 重复此过程,以创建第二个数据集包含数据的一个子集用于验证。在选择范围窗口中,指定的最后500个样本样品字段。类型名称data_val在数据名称字段。点击插入这个新的数据集添加到系统识别应用。
6. 点击关闭关闭窗口的选择范围。
在系统识别应用,拖拽data_est到工作数据矩形,拖拽data_val到验证数据矩形。
一个数据集的信息,右击它的图标。例如,单击右键data_est打开数据/模型信息对话框。

您还可以更改数据/模型中的某些值信息对话框,包括:
- 改变的数据集的名称数据名称字段。
- 改变图标的颜色数据颜色字段。你指定的颜色使用RGB值(相对大量的红色、绿色和蓝色)。每个值之间0和1。例如,(1,0,0)表示存在,只有红色,没有绿色和蓝色混合放入整体颜色。
- 查看或编辑在这个数据集上执行的命令日记和笔记区域。这个区域包含命令行相当于你使用系统识别应用程序执行的处理。例如,如数据/模型所示信息:估计窗口data_est数据集的结果导入数据,消除趋势意味着值,并选择第一个500年的样本数据。
  %导入数据datad =去趋势(数据,0)data_est = datad ((1:50 0))
  为更多的信息关于这些和其他工具箱命令,查看相应的引用页。

数据/模型信息对话框也显示样品的总数量,样品时间,输出和输入通道的名字和单位。这些信息不是可编辑。

提示

作为另一种快捷方式,您可以选择进行预处理>快速启动从系统识别应用程序来执行本教程中的所有数据处理步骤。

学习更多的知识。对于支持的信息数据处理操作,如重采样和过滤数金宝app据,看看数据进行预处理。

保存会话

处理数据后,所述策划和处理数据在窗口,您可以删除任何数据集,您不需要评估和验证,并保存您的会话。您打开这个会话之后,可以使用它作为一个起点模型估算和验证没有重复这些预备步骤。

你一定已经处理过的数据到系统识别应用,所述策划和处理数据。

删除特定数据集从会话并保存会话:

系统识别的应用:
1. 拖放数据数据集进垃圾。
2. 拖放datad数据集进垃圾。
或者,您可以按下删除关键在你的键盘的数据集垃圾。

请注意

移动项目垃圾不删除它们。永久删除项目,选择选项>空垃圾。

下面的图显示了系统识别应用在移动物品垃圾。
拖放data_est和data_val数据集来填补空矩形,如下图所示。
选择文件>保存会话打开保存会话对话框中,浏览到你想要的文件夹中保存的会话文件。
在文件名称字段,类型的名称dryer2_processed_data,然后单击保存。产生的文件有一个.sid扩展。

提示

您可以打开一个保存会话开始时系统识别应用程序通过输入以下命令在MATLAB提示:

systemIdentification (“dryer2_processed_data”)

关于管理课程的更多信息,见启动和管理会话。

估计线性模型使用快速启动

如何估计线性模型使用快速启动

您可以使用系统识别应用中的快速启动功能来估计线性模型。快速启动您决定使用可能产生最终的线性模型,或为你提供信息需要配置准确的估计参数模型,如时间常数,输入延迟,和共振频率。

你必须已经处理的数据估计,所述策划和处理数据。

如果你没有执行这一步,点击这里来完成它。

在系统识别应用,选择估计>快速启动。

这个动作产生的阶跃响应、频率特性和状态方程和多项式模型的输出。为更多的信息关于这些情节,看到验证快速启动模式。

类型的快速启动线性模型

快速启动估计以下四种模型并添加以下系统识别应用程序默认的名字:

小鬼——阶跃响应在一段时间内使用冲动算法。
spad-频率响应在使用的频率范围水疗中心算法。频率响应的傅里叶变换是线性系统的脉冲响应。
默认情况下,模型评估128频率值,从0到奈奎斯特频率。
arxqs使用四阶自回归(ARX)模型arx算法。
该模型参数和具有以下结构:

$\begin{array}{l} y (t) + {一个}_{1} y (t - 1) + \dots + {一个}_{n 一个} y (t - n_{一个}) = \\ b_{1} u (t - n_{k}) + \dots + b_{n b} u (t - n_{k} - n_{b} + 1) + e (t) \end{array}$

y (t)代表输出时间t,u (t)代表输入时间t,n_一个是极数,n_b的数量是b参数(等于0 + 1)的数量,n_k是样品的数量在系统的输入影响输出(称为延迟或死时间模型),e (t)是白噪音干扰。系统辨识工具箱™软件估计参数 ${一个}_{1} \dots {一个}_{n}$ 和 $b_{1} \dots b_{n}$ 使用输入和输出数据的估计数据集。
在arxqs,n_一个=n_b= 4,n_k估计从阶跃响应模型小鬼。
n4s3——计算状态空间模型n4sid。该算法自动选择模式(在本例中,3)。
该模型参数和具有以下结构:

$\begin{array}{l} \frac{d x}{d t} = 一个 x (t) + B u (t) + K e (t) \\ y (t) = C x (t) + D u (t) + e (t) \end{array}$

y (t)代表输出时间t,u (t)代表输入时间t,x状态向量,e (t)是白噪音干扰。系统辨识工具箱产品估计了状态矩阵一个,B,C,D,K。

请注意

快速启动选项并不创建一个传递函数模型或流程模型也可以良好的起动模型类型。

验证快速启动模式

快速启动生成下面的情节在模型估计来帮助你验证模型的质量:

阶跃响应图
频率特性图
模型输出的阴谋

你必须使用快速启动已经估计模型生成这些情节,描述如何估计线性模型使用快速启动。

如果你没有执行这一步,点击这里来完成它。

阶跃响应图。下面的阶跃响应图显示了协议在不同的模型结构和测量数据,这意味着所有这些结构有类似的动力学。

提示

如果你关闭了情节窗口中,选择短暂的分别地复选框后,重新打开此窗口。如果情节为空,单击模型图标在系统识别应用程序窗口中显示模型的阴谋。

阶跃响应的小鬼,arxqs n4s3

提示

您可以使用阶跃响应图估计线性系统的死时间。例如,前面的阶跃响应图显示了前0.25秒左右的延时系统响应的输入。这个响应延迟或死时间,约等于三个样品,因为样品时间0.08这个数据集。

频率特性图。下面的频率特性图显示了协议在不同的模型结构和测量数据,这意味着所有这些结构有类似的动力学。

提示

如果你关闭这个窗口,选择频率分别地复选框后,重新打开此窗口。如果情节为空,单击模型图标在系统识别应用程序窗口中显示模型的阴谋。

频率响应模型的小鬼,spad arxqs, n4s3

模型输出的阴谋。模型输出窗口显示协议在不同的模型结构和测量输出的验证数据。

提示

如果你关闭了模型输出窗口,选择模型输出复选框后,重新打开此窗口。如果情节为空,单击模型图标在系统识别应用程序窗口中显示模型的阴谋。

测量输出和模型输出模型imp, arxqs, n4s3

模型输出图显示了模型响应的输入验证数据。每个模型的适应值进行了总结最适合领域模型的输出窗口。的模型最适合最好是有序列表顶部最底部。两条曲线之间的配合计算,100意味着一个完美的适合,,0表示一个糟糕的健康(即模型输出同样适合测量输出测量输出的均值)。

在这个例子中,模型的输出匹配验证数据输出,这表明该模型似乎捕捉的主要系统动力学和线性建模是充分的。

提示

比较预测模型输出而不是模拟输出,选择这个选项的选项菜单在模型输出窗口。

估计线性模型

战略评估准确的模型

你估计的线性模型估计线性模型使用快速启动充分表明,线性模型表示系统的动力学。

在这部分教程中,您将获得准确的参数模型通过执行以下任务:

确定初始模型和延迟订单从你的数据使用一个简单的多项式模型结构(ARX)。
探索更复杂的模型结构和延迟订单接近你发现的初始值。

由此产生的模型是离散时间模型。

估计可能的模型的订单

确定黑盒模型,您必须指定模型秩序。但是,你怎么能告诉你黑盒模型模型订单指定什么?要回答这个问题,您可以估计简单的多项式(ARX)模型的一系列订单和延迟和比较这些模型的性能。你选择最好的模型相对应的订单和延迟满足作为一个初始猜测等更准确的建模使用各种模型结构传递函数和状态方程模型。

关于ARX模型。对于单输入/系统的输出),ARX模型结构是:

$\begin{array}{l} y (t) + {一个}_{1} y (t - 1) + \dots + {一个}_{n 一个} y (t - n_{一个}) = \\ b_{1} u (t - n_{k}) + \dots + b_{n b} u (t - n_{k} - n_{b} + 1) + e (t) \end{array}$

y (t)代表输出时间t,u (t)代表输入时间t,n_一个是极数,n_b是0的数量+ 1,n_k是输入延迟的样本输入影响系统输出(之前叫什么延迟或死时间模型),e (t)是白噪音干扰。

指定模型的订单n_一个,n_b,n_k估计ARX模型。系统辨识工具箱产品估计参数 ${一个}_{1} \dots {一个}_{n}$ 和 $b_{1} \dots b_{n}$ 从数据。

如何估计模型的订单吗

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。
从结构列表中,选择ARX (na nb nk):。默认情况下,这个已经被选中。
编辑订单尝试所有组合的波兰人,0,和延迟,其中每个值从1到10:
[1:10 1:10 1:10]
点击估计打开ARX模型结构选择窗口,显示了每个组合模型的模型性能参数。
你用这个图来选择最佳模型。
- 水平轴的参数——的总数n_一个+n_b。
- 纵轴,叫做原因不明的输出方差(%),输出的部分不是用模型来解释ARX模型预测误差参数的数量显示在水平轴上。
  的预测误差的平方和的验证数据输出和模型之间的差异领先一步预测输出。
- n_k是延迟。
三个矩形突出显示在绿色情节,蓝色,红色。每一种颜色表示类型的最佳标准,如下:
- 红色——最适合的平方和最小化之间的差异验证数据输出和模型的输出。这个矩形表示整体最适合。
- 绿色——最适合最小化,Rissanen MDL准则。
- 蓝色——最适合最小化Akaike AIC准则。
在本教程中,原因不明的输出方差(%)价值仍然是合并后的参数的数量大约持续4至20。这样恒常性表明模型性能并不能提高更高的订单。因此,低阶模型可能符合同样的数据。

请注意

当你使用相同的数据集进行评估和验证,使用MDL和AIC准则选择模型的命令。这些标准补偿过度拟合的结果使用太多的参数。关于这些标准的更多信息,请参阅selstruc参考页面。
在ARX模型结构选择窗口中,点击红色栏(对应15在横轴上),然后单击插入。这个选择插入n_一个= 6,n_b= 9,n_k= 2到多项式模型对话框和执行评估。
这一行动增加了模型arx692系统识别应用和更新的阴谋,包括响应模型。

请注意

默认名称参数模型包含模型的类型和数量的波兰人,0,和延迟。例如,arx692是一个ARX模型n_一个= 6,n_b= 9,和两个样品的延迟。
在ARX模型结构选择窗口中,单击对应的第三条4参数对水平轴(最低的订单,仍然给了一个不错的选择),并单击插入。
- 这个选择插入n_一个= 2,n_b= 2,n_k= 3(三个样品的延迟)的多项式模型对话框和执行评估。
- 该模型arx223添加到系统识别应用程序更新和阴谋,包括其响应和输出。
点击关闭关闭ARX模型结构选择窗口。
点击关闭关闭对话框的多项式模型。

确定传递函数模型

通过估计ARX模型对不同顺序组合,所述估计可能的模型的订单你确定了极数,零延迟,为系统地探索不同模型提供一个很好的起点。

整体最佳适合该系统对应于一个模型与六个波兰人,9 0,两个样品的延迟。它还表明,低阶模型n_一个= 2(两极),n_b= 2(一个零)n_k= 3(输入-输出延迟)还提供了一个合适的选择。因此,你应该探索模型订单接近这些值。

在这部分教程中,您估计一个传递函数模型。

对传递函数模型。一般的传递函数模型结构是:

$Y (年代) = \frac{n u 米 (年代)}{d e n (年代)} U (年代) + E (年代)$

Y(年代),U(年代),E(年代)代表输出的拉普拉斯变换,分别输入和错误。全国矿工工会(年代),窝(年代)代表的分子和分母多项式定义输入和输出之间的关系。分母多项式的根被称为模型波兰人。分子多项式的根被称为模型0。

您必须指定极点和零点的数量来估计一个传递函数模型。系统辨识工具箱产品估计分子和分母多项式,并从数据输入/输出延迟。

传递函数模型结构是一个不错的选择,快速估计,因为它只要求您指定2参数开始:np极数和吗新西兰是0的数量。

如何估计传递函数模型

在系统识别应用,选择估计>传递函数模型对话框打开转移函数。
在估计传输函数对话框中,指定以下选项:
- 极数——离开默认值2指定一个二阶函数,两极。
- 数量的零——离开默认值1。
- 连续时间——离开这个检查。
点击延迟输入/输出延迟规范区域扩张。
通过估计ARX模型对不同顺序组合,所述估计可能的模型的订单,你发现了一个3样本延迟(nk = 3)。这种延迟将连续时间延迟(nk-1) * Ts,等于0.16秒。
指定延迟作为0.16秒。离开固定检查。
使用默认的评估选择。默认情况下,应用程序指定的名字tf1到模型中。对话框应该是这个样子。
点击估计添加一个称为传递函数模型tf1系统识别应用程序,您可以查看的输出传递函数估计模型与其他模型的估计相比,模型中的输出窗口。

提示

如果你封闭的模型输出窗口,你可以通过选择再生模型输出复选框在系统识别应用程序。如果新模型并不出现在情节,单击模型图标在系统识别的应用使模型活跃。
点击关闭对话框关闭传输功能。

学习更多的知识。了解更多关于确定传递函数模型,明白了传递函数模型。

识别状态空间模型

通过估计ARX模型对不同顺序组合,所述估计可能的模型的订单你确定了极数,零延迟,为系统地探索不同模型提供一个很好的起点。

在这部分教程中,您估计一个状态方程模型。

对状态空间模型。状态空间模型的一般结构(创新)是:

$\begin{array}{l} \frac{d x}{d t} = 一个 x (t) + B u (t) + K e (t) \\ y (t) = C x (t) + D u (t) + e (t) \end{array}$

y (t)代表输出时间t,u (t)代表输入时间t,x (t)的状态向量的时间吗t,e (t)是白噪音干扰。

你必须指定一个整数作为模型(状态向量的维度)来估计状态方程模型。系统辨识工具箱产品估计了状态矩阵一个,B,C,D,K从数据。

状态空间模型的结构是一个不错的选择,快速估计,因为它只要求您指定的状态数(等于两极的数量)。您还可以选择指定的延迟和引线的行为。

如何估计状态空间模型

在系统识别应用,选择估计>状态空间模型对话框打开状态空间模型。
在指定的值场的模型结构选项卡中,指定模型秩序。类型6创建一个状态空间模型sixth-order。
这个选择是基于事实,有六个波兰人的最佳ARX模型。

提示

虽然本教程估计sixth-order状态空间模型,您可能想要探索一个低阶模型是否充分代表了系统动力学。

对话框应该是这样的:
选择估计选项选项卡显示其他选项。
改变评估重点来模拟优化模型用于模拟输出。
状态空间模型对话框看起来像下图。
点击估计添加一个称为状态空间模型魔法石,第1章系统识别的应用。
您可以查看输出状态空间模型的估计与其他模型的估计相比,模型中的输出窗口。

提示

如果你封闭的模型输出窗口,你可以通过选择再生模型输出复选框在系统识别应用程序。如果新模型并不出现在情节,单击模型图标在系统识别的应用使模型活跃。
点击关闭关闭对话框的状态空间模型。

学习更多的知识。学习更多的关于识别状态空间模型,明白了状态空间模型。

识别ARMAX模型

通过估计ARX模型对不同顺序组合,所述估计可能的模型的订单你确定了极数,零延迟,为系统地探索不同模型提供一个很好的起点。

整体最佳适合该系统对应于一个模型与六个波兰人,9 0,两个样品的延迟。它还表明,低阶模型n_一个= 2(两极),n_b= 2(一个零)n_k= 3还提供了一个合适的选择。因此,你应该探索模型订单接近这些值。

在这部分教程中,你估计ARMAX输入-输出多项式模型。

关于ARMAX模型。对于单输入/系统的输出),ARMAX多项式模型结构是:

$\begin{array}{l} y (t) + {一个}_{1} y (t - 1) + \dots + {一个}_{n 一个} y (t - n_{一个}) = \\ b_{1} u (t - n_{k}) + \dots + b_{n b} u (t - n_{k} - n_{b} + 1) + \\ e (t) + c_{1} e (t - 1) + \dots + c_{n c} e (t - n_{c}) \end{array}$

y (t)代表输出时间t,u (t)代表输入时间t,n_一个是极数的动态模型,n_b是0的数量+ 1,n_c的极数扰动模型,n_k是样品的数量在系统的输入影响输出(称为延迟或死时间模型),e (t)是白噪音干扰。

请注意

ARMAX模型比ARX模型更加灵活,因为ARMAX结构包含一个额外的多项式加法扰动模型。

您必须指定模型的订单估计ARMAX模型。系统辨识工具箱产品估计模型参数 ${一个}_{1} \dots {一个}_{n}$ , $b_{1} \dots b_{n}$ , $c_{1} \dots c_{n}$ 从数据。

如何估计ARMAX模型

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。
从结构列表中,选择ARMAX (na nb数控nk):来估计ARMAX模型。
在订单字段,设置命令na,注,数控,nk以下值:
[2 2 2 2]
应用程序分配到模型的名称amx2222在默认情况下,可见的名字字段。
点击估计ARMAX模型添加到系统识别应用。
重复步骤3和4使用更高订单3 3 2 2。这些订单几乎导致模型与数据的吻合程度以及高阶ARX模型arx692。

提示

如果你封闭的模型输出窗口,你可以通过选择再生模型输出复选框在系统识别应用程序。如果新模型并不出现在情节,单击模型图标在系统识别的应用使模型活跃。
点击关闭关闭对话框的多项式模型。

学习更多的知识。学习更多的关于识别输入-输出多项式模型,如ARMAX,明白了输入-输出多项式模型。

选择最好的模型

你可以比较模型选择模型和最佳的性能。

你必须已经估计模型,描述估计线性模型。

如果你没有执行这一步,点击这里来完成它。

总结模型。下面的图显示了系统识别应用,其中包括所有的估计模型估计线性模型。

检查模型的输出。检查模型输出密谋看看模型输出与测量输出的验证数据集。一个好的模型是最好最简单的模型,该模型描述了动力学和成功模拟或预测的输出不同的输入。列出了模型的名字最适合领域模型的输出。注意,一个简单的模型,amx3322,产生类似的最高位模型创建,arx692。

提示

如果你封闭的模型输出窗口,你可以通过选择再生模型输出复选框在系统识别应用程序。如果新模型并不出现在情节,单击模型图标在系统识别的应用使模型活跃。

验证您的模型使用不同的数据集,你可以拖拽这个数据集的验证数据矩形的系统识别应用程序。如果你验证数据转换成频域,模型输出图更新显示在频域模型的比较。

要仔细看看这些模型如何适应数据,放大的部分情节通过点击和拖动矩形的感兴趣的区域,如下图所示。

释放鼠标放大该区域和显示所有模型的输出匹配的验证数据。

查看模型参数

查看模型参数值

您可以查看每个估计模型的数值参数值。

你必须已经估计模型,描述估计线性模型。

如果你没有执行这一步,点击这里来完成它。

查看模型的参数值amx3322系统图标,右键单击模型识别应用。数据/模型信息对话框打开。

不可编辑的数据/模型信息对话框列出了参数值对应于以下系统差分方程:

$\begin{array}{l} y (t) - 1.502 y (t - 1) + 0.7193 y (t - 2) - 0.1179 y (t - 3) = \\ 0.003956 u (t - 2) + 0.06245 u (t - 3) + 0.02673 u (t - 4) + e (t) - 0.5626 e (t - 1) + 0.2355 e (t - 2) \end{array}$

请注意

的系数u (2)不是从零明显不同。这种缺乏既解释了为什么延迟值的差异2和3给好的结果。

参数值出现在下列格式:

$\begin{array}{l} 一个 (z) = 1 + {一个}_{1} z^{- 1} + \dots + {一个}_{n 一个} z^{- n 一个} \\ B (z) = b_{1} z^{- n k} + \dots + b_{n b} z^{- n b - n k + 1} \\ C (z) = 1 + c_{1} z^{- 1} + \dots + c_{n c} z^{- n c} \end{array}$

参数出现在ARMAX模型结构,如下:

$一个 (问) y (t) = B (问) u (t) + C (问) e (t)$

这对应于一般差分方程:

查看参数不确定性

您可以查看估计模型的参数不确定性。

你必须已经估计模型,描述估计线性模型。

如果你没有执行这一步,点击这里来完成它。查看模型的参数值amx3322系统图标,右键单击模型识别应用。数据/模型信息对话框打开。

查看参数不确定性,点击现在数据/模型中的信息对话框中,在MATLAB和视图模型信息提示。

amx3322 =离散ARMAX模型:一个(z) y (t) = B (z) u (t) + C (z) e (t) (z) = 1 - 1.502 (+ / - 0.05982) z ^ 1 + 0.7193 (+ / - 0.0883) z ^ 2 - 0.1179 (+ / - 0.03462) z ^ 3 B (z) = 0.003956 (+ / - 0.001551) z ^ 2 + 0.06245 (+ / - 0.002372) z ^ 3 + 0.02673 + / - 0.005651) z ^ 4 C (z) = 1 - 0.5626 (+ / - 0.07322) z ^ 1 + 0.2355 (+ / - 0.05294) z ^ 2的名字:amx3322样品时间:0.08秒参数化:多项式订单:数控= 2 nk na = 3 nb = 3 = 2的自由系数:8使用“polydata”、“getpvec”、“getcov”参数及其不确定性。状态:终止条件:附近(当地)最小,(标准(g) < tol)。迭代次数:5、功能评估:11估计使用聚在时域数据“data_est”。适合估算数据:95.3%(预测聚焦)消防工程:0.001596,MSE: 0.001546在模型的“报告”属性的更多信息。

1个偏差模型参数不确定性是旁边的括号中每个参数值。