greyestOptions

选项设置感动的

扩展所有的页面

描述

使用一个greyestOptions对象指定选项估计灰色矩形模型使用感动的函数。您可以指定选项,例如初始状态的处理,稳定执行,数值搜索方法用于估计。

创建

语法

选择= greyestOptions

选择= greyestOptions(名称、值)

描述

例子

选择= greyestOptions创建默认选项设置感动的。

例子

选择= greyestOptions (名称,值)创建一个选项设置的选项指定一个或多个名称参数。

属性

全部展开

`InitialState`- - - - - -处理初始状态
`“汽车”`(默认)|`“模型”`|`“零”`|`“估计”`|`“展望”`

处理期间的初始状态估计,指定为以下值之一:

“模型”——初始状态由ODE文件所使用的参数化idgrey模型。ODE文件必须返回6个或多个输出参数。
“零”——初始状态设置为零。ODE文件返回的任何值将被忽略。
“估计”——初始状态被当作一个独立的评估参数。
“展望”——初始状态使用最好的最小二乘估计。
“汽车”——软件选择的方法来处理基于估计数据的初始状态。
向量的双打,指定一个列向量的长度Nx,在那里Nx的状态数。对于multiexperiment数据,指定一个矩阵不列,不是实验的数量。指定的值被视为在估计过程中固定的值。

`DisturbanceModel`- - - - - -干扰的处理组件
`“汽车”`(默认)|`“模型”`|`“固定”`|`“没有”`|`“估计”`

处理干扰组件(K在估计),指定为以下值之一:

“模型”- - - - - -K赋值是参数化的文件使用的idgrey模型。ODE文件必须返回5或更多的输出参数。
“固定”——的价值K财产的idgrey模式是固定的,其原始值。
“没有”- - - - - -K是固定为零。ODE文件返回的任何值将被忽略。
“估计”- - - - - -K被视为一个独立的评估参数。
“汽车”——软件选择的方法处理期间如何处理扰动分量估计。软件使用“模型”方法如果ODE文件返回5个或多个输出参数与一个有限值K。软件使用“固定”方法。

请注意

不能使用频域数据估计噪声模型。

`焦点`- - - - - -错误是最小化
`“预测”`(默认)|`“模拟”`

误差最小化的损失函数在评估期间,指定为逗号分隔组成的“焦点”和下列值之一:

“预测”——提前一步预测误差测量和预测输出之间最小化估计。因此,评估主要关注的是产生一个好的预测模型。
“模拟”——测量和模拟输出之间的模拟误差在估计过程中被最小化。结果,估计是让适合模拟模型与当前输入响应。

的焦点选项可以被解释为一个损失函数加权滤波器。有关更多信息,请参见损失函数和模型质量的指标。

`WeightingFilter`- - - - - -加权预滤器
`[]`(默认)|向量|矩阵|单元阵列|线性系统

加权前置滤波器应用于评估期间的损失函数最小化。理解的影响WeightingFilter损失函数,看看损失函数和模型质量的指标。

指定WeightingFilter下列值之一:

[]——不使用加权预滤器。
通频带,指定一个行向量或矩阵包含定义所需的通频带的频率值。你选择一个频带之间的配合优化估计模型和估计数据。例如,(王,wh)在哪里王和wh代表低和通频带的上限。为一个矩阵几行定义频率通带,[w1l, w1h; w2l w2h; w3l, w3h;……)估计算法使用联盟定义估计通频带的频率范围。
通频带的表达rad / TimeUnit对时域数据和FrequencyUnit频域数据,TimeUnit和FrequencyUnit是时间和频率的单位的评估数据。
输出过滤器——指定一个single-input-single-output线性滤波器的输出以以下方式之一:
- 一个输出线性时不变模型
- {A, B, C, D}格式,它指定一个过滤器的状态矩阵相同的样本时间估计数据。
- {分子,分母}格式,它指定的分子和分母滤波器的传递函数相同的样品时间为估算数据。
  这个选项计算滤波器的权重函数作为一个产品和输入谱估计传递函数。
权重向量,只适用于频域数据。指定一个列向量的权重。这个向量必须具有相同的频率向量的长度的数据集,Data.Frequency。每个输入和输出响应的数据频率乘以相应的重量。

`EnforceStability`- - - - - -控制是否执行模型的稳定
`假`(默认)|`真正的`

控制是否执行稳定的估计模型,指定为逗号分隔组成的“EnforceStability”,要么真正的或假。

`EstimateCovariance`- - - - - -选项来生成参数协方差数据
`真正的`(默认)|`假`

选项来生成参数协方差数据,指定为真正的或假。

如果EstimateCovariance是真正的,然后用getcov获取的协方差矩阵估计模型。

`显示`- - - - - -选项来显示估计的进展
`“关闭”`(默认)|`“上”`

选项显示评估进展,指定以下值之一:

“上”——信息模型结构和评估结果显示在一个progress-viewer窗口。
“关闭”——没有任何进展或结果信息显示。

`InputInterSample`- - - - - -输入通道intersample行为
`“汽车”`|`“zoh”`|`“呸”`|`“提单”`

输入通道intersample离散时间和持续时间之间的转换行为,指定为“汽车”,“zoh”,“呸”,或“提单”。

三个行为值的定义如下:

“zoh”——零维护样本之间的分段常数输入信号。
“呸”——一阶保持维护一个分段线性输入信号之间的样本。
“提单”——带限行为指定连续时间输入信号零功率高于奈奎斯特频率。

iddata有相似属性的对象data.InterSample,包含相同的行为价值选择。当InputInterSample值是“汽车”和估计数据iddata对象数据,软件使用data.InterSample价值。当评估数据而不是包含在一个时间表或一对矩阵,与“汽车”选项,软件使用“zoh”。

软件相同的选项值适用于所有渠道和实验。

`InputOffset`- - - - - -在估计中移除抵消从时域输入数据
`[]`(默认)|向量的正整数|矩阵

删除抵消从时域输入数据在评估期间,指定为以下之一:

一个列向量长度的正整数ν,在那里ν输入的数量。
[]——表示没有抵消。
ν——- - - - - -不矩阵——multi-experiment数据,指定InputOffset作为一个ν——- - - - - -不矩阵。ν输入和数量吗不是实验的数量。

每个条目指定的InputOffset中减去从相应的输入数据。

`OutputOffset`- - - - - -在估计中移除抵消从时域输出数据
`[]`(默认)|向量|矩阵

删除抵消从时域输出数据在评估期间,指定为以下之一:

一个列向量的长度纽约,在那里纽约是输出的数量。
[]——表示没有抵消。
纽约——- - - - - -不矩阵——multi-experiment数据,指定OutputOffset作为一个纽约——- - - - - -不矩阵。纽约是输出的数量,和不是实验的数量。

每个条目指定的OutputOffset从相应的输出数据中减去。

`OutputWeight`- - - - - -加权多输出预测误差的估计
`[]`(默认)|`“噪音”`|半正定对称矩阵

加权多输出预测误差的估计,指定为以下值之一:

“噪音”——减少 $依据 (E ” * E / N)$ ,在那里E代表了预测误差N是数据样本的数量。这个选择是统计意义上的最优,导致最大似然估计如果不知道噪声的方差。它使用估计噪声方差的倒数作为权重函数。

请注意

OutputWeight不得“噪音”如果SearchMethod是“lsqnonlin”。
半正定对称矩阵(W)——最小化加权预测误差的跟踪矩阵跟踪(E”* E * W / N),地点:
- E是一列的矩阵的预测错误,对于每一个输出,然后呢W半正定对称矩阵的大小等于输出的数量。使用W指定输出的相对重要性在输出模型,或相应的数据的可靠性。
- N是数据样本的数量。
[]——软件之间进行选择“噪音”和使用的单位矩阵W。

这个选项相关的只是多输出模型。

`正则化`- - - - - -选择正则化模型参数的估计
结构

选择正规化的估计模型参数,指定为一个结构如下表中的字段。正则化的更多信息,请参阅正则化模型参数的估计。

字段名描述默认的

字段名	描述	默认的
`λ`	常数决定了偏差和方差权衡。指定一个积极的标量正则化项添加到估算成本。默认值为0意味着没有正规化。	`0`
`R`	权重矩阵。指定一个向量的非负数字或一个方形半正定矩阵。长度必须等于模型的自由参数的数量。对于黑箱模型,建议使用默认值。对于结构化和灰色矩形模型,你也可以指定一个向量的`np`正数,这样每个条目表示对相关参数的值的信心。默认值为1意味着价值`眼睛(npfree)`,在那里`npfree`是自由参数的数量。	`1`
`名义上的`	名义价值评估期间向自由参数的提取。默认值为0意味着参数值为零。如果你炼制一个模型,您可以将值设置为`“模型”`把参数对初始模型的参数值。这个设置的初始参数值必须是有限的。	0

λ

常数决定了偏差和方差权衡。

指定一个积极的标量正则化项添加到估算成本。

默认值为0意味着没有正规化。

0

R

权重矩阵。

指定一个向量的非负数字或一个方形半正定矩阵。长度必须等于模型的自由参数的数量。

对于黑箱模型,建议使用默认值。对于结构化和灰色矩形模型,你也可以指定一个向量的np正数,这样每个条目表示对相关参数的值的信心。

默认值为1意味着价值眼睛(npfree),在那里npfree是自由参数的数量。

1

名义上的

名义价值评估期间向自由参数的提取。

默认值为0意味着参数值为零。如果你炼制一个模型,您可以将值设置为“模型”把参数对初始模型的参数值。这个设置的初始参数值必须是有限的。

`SearchMethod`- - - - - -数值搜索方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中,指定为下表中的值之一。

`SearchMethod`	描述
`“汽车”`	自动选择方法线搜索算法的组合,`“gn”`,`“lm”`,`“玲娜”`,`“研究生”`在每一次迭代时,试着在序列。第一个下降方向导致减少使用估计的成本。
`“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`GnPinvConstant * eps 马克斯(大小(J)) 规范(J)`被丢弃在计算搜索方向。J雅可比矩阵。海赛矩阵的近似J^TJ。如果这个方向没有改进,功能梯度方向。
`“玲娜”`	自适应子空间高斯牛顿搜索特征值小于`γ马克斯(sv)`黑森被忽略的sv包含黑森的奇异值。剩下的子空间的高斯牛顿方向计算。γ的初始值`InitialGnaTolerance`(见`先进的`在`“SearchOptions”`的更多信息)。这个值是增加的因素`LMStep`每次的搜索没有找到一个较低的价值标准在不到五两断。这个值是下降的因素`2 LMStep`每次搜索成功没有任何两断。
`“lm”`	Levenberg-Marquardt最小二乘搜索每个参数值`-pinv (H + d 我)毕业生`从之前的值。H海赛,我是单位矩阵,研究生梯度。d是一个数量,增加到一个较低的价值标准。
`“研究生”`	最陡下降最小二乘搜索
`“lsqnonlin”`	Trust-region-reflective算法`lsqnonlin`(优化工具箱) 该算法需要优化工具箱™软件。
`“fmincon”`	约束非线性动力学您可以使用序贯二次规划(SQP)和trust-region-reflective算法的`fmincon`(优化工具箱)解算器。如果你有优化工具箱软件,您还可以使用的内点和有效集算法`fmincon`解算器。指定的算法`SearchOptions.Algorithm`选择。的`fmincon`算法可能导致改进评估结果在以下场景: 当边界约束的最小化问题对模型参数。模型结构的损失函数是一个非线性、非光滑函数的参数。输出模型估计。行列式损失函数在默认情况下是最小化输出模型估计。`fmincon`直接算法能够减少这种损失函数。其他搜索方法等`“lm”`和`“gn”`由交替最小化损失函数行列式估计噪声方差和减少损失值对于一个给定的噪声方差值。因此,`fmincon`算法可以提供更好的输出模型估计的效率和准确性。

`SearchOptions`- - - - - -选择搜索算法
搜索选项设置

选项设置为指定的搜索算法,搜索选项设置字段,依赖的价值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

最低百分比区别的当前值损失函数及其预期改善在下一次迭代之后,指定为一个积极的标量。当预期改善的百分比小于宽容,迭代停止。估计预期的损失函数的改进在下一次迭代是基于高斯牛顿向量计算当前参数值。

0.01

MaxIterations

最大数量的迭代期间损失函数最小化,指定为一个正整数。迭代停止时MaxIterations达到或另一个停止准则是满意,如宽容。

设置MaxIterations = 0启动过程的返回结果。

使用sys.Report.Termination.Iterations得到实际的迭代次数在估计,在哪里sys是一个idtf模型。

20.

先进的

高级搜索设置,指定为以下字段的结构。

字段名	描述	默认的
`GnPinvConstant`	雅可比矩阵奇异值阈值,指定为一个积极的标量。雅可比矩阵的奇异值小于`GnPinvConstant 马克斯(大小(J) 规范(J) * eps)`被丢弃在计算搜索方向。适用时`SearchMethod`是`“gn”`。	`10000年`
`InitialGnaTolerance`	初始值的γ,指定为一个积极的标量。适用时`SearchMethod`是`“玲娜”`。	`0.0001`
`LMStartValue`	起始值搜索方向的长度d在Levenberg-Marquardt方法中,指定为一个积极的标量。适用时`SearchMethod`是`“lm”`。	`0.001`
`LMStep`	的大小Levenberg-Marquardt一步,指定为一个正整数。下一个值搜索方向的长度dLevenberg-Marquardt方法`LMStep`前一个。适用时`SearchMethod`是`“lm”`。	`2`
`MaxBisections`	最大数量的二分用于线搜索的搜索方向,指定为一个正整数。	`25`
`MaxFunctionEvaluations`	最大数量的调用模型文件,指定为一个正整数。迭代停止如果调用模型文件的数量超过这个值。	`正`
`MinParameterChange`	最小的参数更新允许每个迭代,指定为负的标量。	`0`
`RelativeImprovement`	相对改进阈值,指定为负的标量。准则函数的迭代停止如果相对改善小于这个值。	`0`
`StepReduction`	一步减少因素,指定为一个积极的标量,大于1。建议参数更新减少的因素`StepReduction`每次试一试。这一直持续到`MaxBisections`努力完成或一个较低的值的判别函数。 `StepReduction`不适用的`SearchMethod`的`“lm”`(Levenberg-Marquardt方法)。	`2`

SearchOptions结构时SearchMethod被指定为“lsqnonlin”

字段名描述默认的

字段名	描述	默认的
`FunctionTolerance`	终止宽容的损失函数最小化来确定的软件估计参数值,指定为一个积极的标量。的价值`FunctionTolerance`是一样的吗`opt.SearchOptions.Advanced.TolFun`。	`1 e-5`
`StepTolerance`	终止宽容估计参数值,指定为一个积极的标量。的价值`StepTolerance`是一样的吗`opt.SearchOptions.Advanced.TolX`。	`1 e-6`
`MaxIterations`	最大数量的迭代期间损失函数最小化,指定为一个正整数。迭代停止时`MaxIterations`达到或另一个停止准则是满意,如`FunctionTolerance`。的价值`MaxIterations`是一样的吗`opt.SearchOptions.Advanced.MaxIter`。	`20.`

FunctionTolerance

终止宽容的损失函数最小化来确定的软件估计参数值,指定为一个积极的标量。

的价值FunctionTolerance是一样的吗opt.SearchOptions.Advanced.TolFun。

1 e-5

StepTolerance

终止宽容估计参数值,指定为一个积极的标量。

的价值StepTolerance是一样的吗opt.SearchOptions.Advanced.TolX。

1 e-6

MaxIterations

最大数量的迭代期间损失函数最小化,指定为一个正整数。迭代停止时MaxIterations达到或另一个停止准则是满意,如FunctionTolerance。

的价值MaxIterations是一样的吗opt.SearchOptions.Advanced.MaxIter。

20.

SearchOptions结构时SearchMethod被指定为“fmincon”

字段名	描述	默认的
`算法`	`fmincon`优化算法,指定为以下之一: `“sqp”`——序贯二次规划算法。迭代算法满足边界,并且可以恢复`南`或`正`结果。它不是一个大规模的算法。有关更多信息,请参见大型和中型的算法(优化工具箱)。 `“trust-region-reflective”`-子空间基于interior-reflective牛顿方法的信赖域方法。这是一个大规模的算法。 `“内点”`-大规模算法需要优化工具箱软件。迭代算法满足边界,并且可以恢复`南`或`正`结果。 `“激活集”`——需要优化工具箱软件。算法可以采取大的步骤,这增加了速度。它不是一个大规模的算法。关于算法的更多信息,请参阅约束非线性优化算法(优化工具箱)和选择算法(优化工具箱)。	`“sqp”`
`FunctionTolerance`	终止宽容的损失函数最小化来确定的软件估计参数值,指定为一个积极的标量。	`1 e-6`
`StepTolerance`	终止宽容估计参数值,指定为一个积极的标量。	`1 e-6`
`MaxIterations`	最大数量的迭代期间损失函数最小化,指定为一个正整数。迭代停止时`MaxIterations`达到或另一个停止准则是满意,如`FunctionTolerance`。	`One hundred.`

`先进的`- - - - - -更多高级选项
结构

更多高级选项,指定为一个结构如下表中的字段。

字段名描述默认的

ErrorThreshold

误差阈值的调整大错误的重量从二次线性的。

错误比ErrorThreshold倍标准差估计有一个线性重量损失函数。标准差估计强劲的平均绝对偏差值的预测错误,除以0.7。健壮的标准选择的更多信息,参见15.2节[2]。

一个ErrorThreshold的价值0禁用robustification并导致一个纯粹的二次损失函数。估计和频域数据时,软件集ErrorThreshold来0。对时域数据包含异常值,试着设置ErrorThreshold来1.6。

0

最大尺寸

最大数量的元素在一段输入-输出数据分成部分。

最大尺寸必须是一个正整数的值。

250000年

StabilityThreshold

阈值稳定性测试。

字段名描述默认的

年代

最右边的位置。

软件使用年代测试连续时间模型的稳定性。一个模型被认为是稳定的,当它最左边的杆年代。

0

z

最大距离的波兰人从原点。

软件使用z离散时间模型的稳定性进行测试。一个模型被认为是稳定的,如果所有波兰人在距离z从原点。

1 +√(eps)

AutoInitThreshold

阈值的自动估计初始条件。

软件估计初始条件时:

$\frac{为 y_{p, z} - y_{米 e 一个年代} 为}{为 y_{p, e} - y_{米 e 一个年代} 为} > AutoInitThreshold$

1.05

例子

全部折叠

创建缺省选项设置为线性估计的灰色框

打开生活的脚本

选择= greyestOptions;

为线性灰色盒子估计指定选项

打开生活的脚本

创建一个选项设置感动的使用“展望”算法初始化状态。指定显示作为“上”。

选择= greyestOptions (“InitialState”,“展望”,“显示”,“上”);

另外,使用点符号设置的值选择。

选择= greyestOptions;opt.InitialState =“展望”;opt.Display =“上”;

引用

[1]遗嘱,艾德里安,b . Ninness, s·吉布森。基于“梯度搜索多变量系统估计”。学报16 IFAC世界大会,布拉格,捷克共和国,2005年7月3 - 8。英国牛津大学:爱思唯尔有限公司,2005年。

[2]Ljung Lennart。为用户系统标识:理论。上台北:新世纪PTR, 1999。

版本历史

介绍了R2012a

全部展开

R2022b:`InputInterSample`选项允许intersample行为规范连续模型估计的时间表或矩阵。

iddata对象包含一个InterSample属性描述信号采样点之间的行为。的InputInterSample属性的选择实现的一个版本greyestOptions所以intersample行为也可以指定当估计数据存储在时间表或矩阵。

R2018a:重命名的估计和分析选项

一些评估和分析选项的名称在R2018a改变。之前的名字仍然工作。详情,请参阅R2018a释放注意重命名的估计和分析选项。

另请参阅

感动的|idgrey|idnlgrey|pem|党卫军

主题

损失函数和模型质量的指标

greyestOptions

描述

创建

语法

描述

属性

InitialState- - - - - -处理初始状态“汽车”(默认)|“模型”|“零”|“估计”|“展望”

DisturbanceModel- - - - - -干扰的处理组件“汽车”(默认)|“模型”|“固定”|“没有”|“估计”

焦点- - - - - -错误是最小化“预测”(默认)|“模拟”

WeightingFilter- - - - - -加权预滤器[](默认)|向量|矩阵|单元阵列|线性系统

EnforceStability- - - - - -控制是否执行模型的稳定假(默认)|真正的

EstimateCovariance- - - - - -选项来生成参数协方差数据真正的(默认)|假

显示- - - - - -选项来显示估计的进展“关闭”(默认)|“上”

InputInterSample- - - - - -输入通道intersample行为“汽车”|“zoh”|“呸”|“提单”

InputOffset- - - - - -在估计中移除抵消从时域输入数据[](默认)|向量的正整数|矩阵

OutputOffset- - - - - -在估计中移除抵消从时域输出数据[](默认)|向量|矩阵

OutputWeight- - - - - -加权多输出预测误差的估计[](默认)|“噪音”|半正定对称矩阵

正则化- - - - - -选择正则化模型参数的估计结构

SearchMethod- - - - - -数值搜索方法用于迭代参数估计“汽车”(默认)|“gn”|“玲娜”|“lm”|“研究生”|“lsqnonlin”|“fmincon”

SearchOptions- - - - - -选择搜索算法搜索选项设置

先进的- - - - - -更多高级选项结构

例子

创建缺省选项设置为线性估计的灰色框

为线性灰色盒子估计指定选项

引用

版本历史

R2022b:InputInterSample选项允许intersample行为规范连续模型估计的时间表或矩阵。

R2018a:重命名的估计和分析选项

另请参阅

主题

`InitialState`- - - - - -处理初始状态
`“汽车”`(默认)|`“模型”`|`“零”`|`“估计”`|`“展望”`

`DisturbanceModel`- - - - - -干扰的处理组件
`“汽车”`(默认)|`“模型”`|`“固定”`|`“没有”`|`“估计”`

`焦点`- - - - - -错误是最小化
`“预测”`(默认)|`“模拟”`

`WeightingFilter`- - - - - -加权预滤器
`[]`(默认)|向量|矩阵|单元阵列|线性系统

`EnforceStability`- - - - - -控制是否执行模型的稳定
`假`(默认)|`真正的`

`EstimateCovariance`- - - - - -选项来生成参数协方差数据
`真正的`(默认)|`假`

`显示`- - - - - -选项来显示估计的进展
`“关闭”`(默认)|`“上”`

`InputInterSample`- - - - - -输入通道intersample行为
`“汽车”`|`“zoh”`|`“呸”`|`“提单”`

`InputOffset`- - - - - -在估计中移除抵消从时域输入数据
`[]`(默认)|向量的正整数|矩阵

`OutputOffset`- - - - - -在估计中移除抵消从时域输出数据
`[]`(默认)|向量|矩阵

`OutputWeight`- - - - - -加权多输出预测误差的估计
`[]`(默认)|`“噪音”`|半正定对称矩阵

`正则化`- - - - - -选择正则化模型参数的估计
结构

`SearchMethod`- - - - - -数值搜索方法用于迭代参数估计
`“汽车”`(默认)|`“gn”`|`“玲娜”`|`“lm”`|`“研究生”`|`“lsqnonlin”`|`“fmincon”`

`SearchOptions`- - - - - -选择搜索算法
搜索选项设置

`先进的`- - - - - -更多高级选项
结构

R2022b:`InputInterSample`选项允许intersample行为规范连续模型估计的时间表或矩阵。