主要内容

党卫军

使用时域或频域数据估计状态空间模型

折叠所有页面

语法

Sys = ssest(tt,nx)
sys = sest(u,y,nx，'Ts'，Ts)
Sys = sest(u,y,nx)
Sys = ssest(data,nx)
Sys = ssest(tt,nx)
sys = ssest(tt,nx，'OutputName'，outputVariables，'InputName'，[])
sys = ssest([]，y,nx，'Ts'，Ts)
Sys = ssest(data,nx)
系统= ssest(___、名称、值)
Sys = ssest(tt,init_sys)
Sys = ssest(u,y,init_sys)
Sys = ssest(data,init_sys)
系统= ssest(___选择)
[sys,x0] = sest(___）

描述

估计状态空间模型

例子

sys= ss (tt，nx）估计连续时间状态空间模型sys的订单nx，使用时间表中的所有输入和输出信号tt．您可以将此语法用于SISO和MISO系统。该函数假设时间表中的最后一个变量是单个输出信号。

sys是一个中的难点模型的形式如下:

x ˙ （ t ） ＝ 一个 x （ t ） + B u （ t ） + K e （ t ） y （ t ） ＝ C x （ t ） + D u （ t ） + e （ t ）

一个，B，C，D,K是状态空间矩阵。u（t)为输入，y（t)为输出，e（t)为扰动，且x（t的向量nx州。

所有条目一个，B，C,K默认为自由可估计参数。D默认情况下固定为零，这意味着没有馈通，静态系统(Nx = 0）.

要估计离散时间模型，请设置“t”到使用名称-值语法的模型示例时间。要估计MIMO模型，使用n-v语法指定输入和输出通道，使用“InputName”和“OutputName”对应的时间表变量名。你也可以使用“InputName”和“OutputName”中所有可用通道时指定特定通道tt．

sys= ss (u，y，nx，“t”，Ts）利用逗号分隔的矩阵中的时域输入和输出信号估计离散时间状态空间模型u，y以及模型采样时间Ts．软件假设数据采样时间为Ts秒。您可以将此语法用于SISO、MISO和MIMO系统。

例子

sys= ss (u，y，nx）利用矩阵中的信号估计一个连续时间状态空间模型u，y．软件假设数据采样时间为1秒。你不能改变这个假设的采样时间。如果你想从采样时间不是1秒的数据中估计一个连续时间模型，你必须首先将你的矩阵数据转换为时间表或iddata对象。不建议从基于矩阵的数据估计连续时间模型。

例子

sys= ss (数据，nx）使用数据对象中的时域或频域数据估计连续时间状态空间模型数据．特别是当您希望使用频域或频响应数据估计状态空间模型时，或者当您希望利用数据对象提供的附加信息(例如样本间行为、数据采样时间或实验标记)时，请使用此语法。

估计时间序列状态空间模型

sys= ss (tt，nx）估计连续时间序列模型sys使数据符合时间表tt．tt必须包含单个数值变量。该函数将时间表变量数据解释为时间序列，该时间序列没有输入，只有一个输出。

对于时间序列模型，为sys中的难点模型有以下形式:

x ˙ （ t ） ＝ 一个 x （ t ） + K e （ t ） y （ t ） ＝ C x （ t ） + e （ t ）

sys= ss (tt，nx，“OutputName”outputVariables,“InputName”[])中指定变量名的时间表输出信号，用于估计使用该时间表输出信号的多元时间序列模型outputVariables．该函数将指定的变量解释为多元时间序列。如果你指定了所有的变量tt在“OutputName”，你可以省略的规格“InputName”．

sys= ss ([]y，nx，“t”，Ts）用样本时间估计离散时间序列模型Ts从输出数据矩阵y．sysy中有多少列就有多少输出。

sys= ss (数据，nx）中的数据估计时间序列模型iddata财产数据。OutputData．房地产数据。InputData一定是空的。

指定额外的模型选项

例子

sys= ss (___，名称,值）合并由一个或多个名-值对参数指定的其他选项。例如，从使用采样时间为0.1的矩阵数据指定一个离散时间系统sys = sest(um,ym,np，'Ts'，0.1)．指定与MIMO时间表数据使用的变量相对应的输入和输出信号变量名sys = ss(数据、nx InputName, u1, u2”,“OutputName”,(“日元”、“y3))．使用“形式”，“引线”,“DisturbanceModel”类的默认行为一个，B，C，D,K矩阵。

您可以将此语法用于前面的任何输入-参数组合。

初始参数配置

例子

sys= ss (tt，init_sys）使用线性系统init_sys的初始参数化sys使用时间表进行估计tt．

例子

sys= ss (u，y，init_sys）使用矩阵数据u，y估计。如果init_sys是一个连续时间模型，建议使用时间表代替矩阵。

例子

sys= ss (数据，init_sys）使用数据对象数据估计。

指定额外的评估选项

例子

sys= ss (___，选择）合并一个选项集选择它指定了诸如估计目标、初始条件处理、正则化和用于估计的数值搜索方法等选项。你可以指定选择在任何前面的输入-参数组合之后。

估计初始状态

例子

［sys，x0= sest(___）返回在估计期间计算的初始状态值。

例子

全部折叠

打开实时脚本

估计一个状态空间模型，并将其响应与测量输出进行比较。

加载存储在时间表中的输入/输出数据。

负载sdata1tt1

估计一个四阶状态空间模型。

Nx = 4;Sys = ssest(tt1,nx);

将模拟模型响应与实测输出进行比较。

比较(tt1 sys)

图中包含一个轴对象。axis对象包含2个line类型的对象。这些对象表示验证数据(y)， sys: 70.78%。

结果表明，模拟模型与估计数据的拟合率大于70%。

的方法可以查看有关评估的更多信息中的难点财产sys。报告．

sys。报告
ans =状态:'估计使用SSEST与预测焦点'方法:'SSEST' InitialState: '零' N4Weight: 'CVA' N4Horizon:[6 10 10]适合:[1x1 struct]参数:[1x1 struct] OptionsUsed: [1x1 idoptions。ssest] RandState: [] DataUsed: [1x1 struct] terminate: [1x1 struct]

例如，查找有关终止条件的更多信息。

sys.Report.Termination
ans =带字段的结构:WhyStop: '沿直线搜索方向没有改进。'迭代:7 FirstOrderOptimality: 85.9759 FcnCount: 123 UpdateNorm: 10.0081 LastImprovement: 0

该报告包括关于迭代次数和评估停止迭代的原因的信息。

打开实时脚本

加载由输入向量组成的数据umat1，输出向量ymat1，和采样时间Ts．

负载sdata1umat1ymat1Ts

将数据合并到单个时间表中tt．的前两行tt．

Tt =时间表(umat1,ymat1，“rowtimes”秒(Ts *(1:尺寸(umat1, 1))));头(tt, 2)
时间umat1 ymat1  _______ _____ ________ 0.1秒1 1.1082 -0.58724 0.2秒1

使用tt估计一个连续时间状态空间模型。

Sys = ssest(tt,2);

将模型输出与估计数据进行比较。

比较(tt系统)

图中包含一个轴对象。axis对象包含2个line类型的对象。这些对象表示验证数据(ymat1)， sys: 70.63%。

加载输入-输出数据z1，存储在iddata对象。这是相同的数据，用于估计四阶模型状态空间模型．

负载iddata1z1

通过指定参数确定最优模型顺序nx作为一个范围1:10．

Nx = 1:10;Sys = sest(z1,nx);

自动生成的图形显示指定的顺序模型的汉克尔奇异值nx．

具有相对较小汉克尔奇异值的状态可以被安全地丢弃。建议的默认顺序选择为2．

中选择模型顺序选择的顺序列出并单击应用．

打开实时脚本

加载时域系统响应数据。

负载iddata7z7；

确定数据的四阶状态空间模型。指定的已知延迟2秒为第一次输入和0秒表示第二次输入。

Nx = 4;Sys = sest(z7(1:300)，nx，“InputDelay”, 2, 0);
打开实时脚本

通过首先将矩阵数据转换为时间表来估计连续时间模型函数。

加载数据，其中包括输入矩阵usteam，输出矩阵ysteam，采样时间Ts．

负载sdatasteam.matusteamysteamTs

结合usteam和ysteam单一的时间表ttsteam．为了为每个通道创建一个变量，必须显式地指定每个矩阵列。

tts =时间表(usteam (: 1), usteam (:, 2), ysteam (: 1), ysteam (:, 2),.．.“rowtimes”秒(Ts *(1:尺寸(usteam, 1))));头(tts, 4)
时间Var1 Var2 Var3 Var4 ________ _______ _______ ________ _________ 0.05秒-1.5283 2.0584 0.57733 -0.12274 0.1秒1.4412 -2.005 0.75804 -0.086114 0.15秒1.4314 2.0584 -0.76577 -0.19845 0.2秒1.4412 -1.9806 0.47721 -0.20577

估计一个连续时间状态空间模型。

Nx = 3;Sysc = sest(tts,nx，“InputName”, (“Var1”“Var2”),“OutputName”, (“Var3”“Var4”]);

将模型与数据进行比较。

sysc比较(tts)

图中包含2个轴对象。坐标轴对象1包含2个line类型的对象。这些对象表示验证数据(Var3)， sysc: 90.8%。坐标轴对象2包含2个line类型的对象。这些对象表示验证数据(Var4)， sysc: 62.29%。

打开实时脚本

修改A, B和C矩阵的标准形式，在D矩阵中包含一个馈通项，并在K矩阵中消除干扰模型估计。

加载输入输出数据和估计四阶系统使用党卫军默认选项。

负载iddata1z1Sys1 = sest(z1,4);

指定配套表单并比较一个带有默认值的矩阵一个矩阵。

Sys2 = sest(z1,4，“形式”，“同伴”）;A1 = sys1。一个
A1 =4×4-0.5155 -3.8483 0.6657 -0.2666 5.8665 -2.7285 1.0649 -1.4694 -0.4487 0.9308 -0.6235 18.8148 -0.4192 0.5595 -16.0688 0.5399
A2 = sys2。一个
A2 =4×4103.× 00 00 -7.1122 0.0010 00 -0.9547 0 0.0010 0 -0.3263 00 0.0010 -0.0033

包括一个馈通术语和比较D矩阵。

Sys3 = sest(z1,4，“引线”1);D1 = sys1。D
D1 = 0
D3 = sys3。D
D3 = 0.0339

消除扰动建模并进行比较K矩阵。

Sys4 = sest(z1,4，“DisturbanceModel”，“没有”）;K1 = sys1。K
K1 =4×10.0520 0.0973 0.0151 0.0270
K4 = sys4。K
K4 =4×10 0 0 0
打开实时脚本

指定党卫军估计初始状态作为独立的估计参数。

党卫军可以使用以下几种方法之一处理初始状态。默认情况下,党卫军根据您的估计数据自动选择方法。您可以通过使用修改选项集来自己选择方法ssestOptions．

加载输入-输出数据z1并估计一个二阶状态空间模型sys使用默认选项。使用返回初始状态的语法x0．

负载iddata1z1[sys,x0] = sest(z1,2);x0
x0 =2×10 0

缺省情况下，使用“汽车”设置InitialState．找出哪种方法党卫军的价值应用于InitialState在sys。Report。

sys.Report.InitialState
Ans = ' 0 '

该软件应用了'零的方法，这意味着软件将初始状态设置为零，而不是估计它们。这种选择是一致的0返回的值x0．

指定党卫军估计初始状态，而不是作为独立参数使用“估计”设置。使用ssestOptions创建一个修改过的选项集，并指定该选项集来估计一个新模型。

opt = ssestOptions(“InitialState”，“估计”）;[sys1,x0] = sest(z1,2,opt);x0
x0 =2×10.0068 - 0.0052

x0现在已经用非零值估计了参数。

打开实时脚本

从窄带宽信号中得到二阶系统的正则化五阶状态空间模型。

负载估计数据。

负载regularizationExampleDataeData；

创建用于生成估计数据(真实系统)的传递函数模型。

trueSys = idtf([0.02008 0.04017 0.02008]，[1 -1.561 0.6414]，1);

估计一个非正则状态空间模型。

opt = ssestOptions(“SearchMethod”，“lm”）;m = sest(数据表，5，“形式”，“模态”，“DisturbanceModel”，“没有”，“t”、eData.Ts选择);

估计一个正则化的状态空间模型。

opt. regulalizing . lambda = 10;mr = sest(数据表，5，“形式”，“模态”，“DisturbanceModel”，“没有”，“t”、eData.Ts选择);

将模型输出与估计数据进行比较。

比较(eData, m先生);

图中包含一个轴对象。axis对象包含3个line类型的对象。这些对象表示验证数据(y1)， m: 83.85%， mr: 83.68%。

比较模型的脉冲响应。

冲动(trueSys, m先生,50);传奇(“trueSys”，“米”，“先生”）;

图中包含一个轴对象。标题为From: u1 To: y1的axis对象包含6个line类型的对象。这些对象表示true, m, mr。

打开实时脚本

估计测量输入-输出数据的状态空间模型。使用状态空间模型配置用于估计的参数约束和初始值。

创建一个中的难点模型来指定用于估计的初始参数化。

A = blkdiag([-0.1 0.4;-0.4 -0.1]，[-1 5;5 1]);B = [1;0 (3,1)];C = [1 1 1 1];D = 0;K = 0 (4,1);X0 = [0.1 0.1 0.1 0.1 0.1];Ts = 0; init_sys = idss(A,B,C,D,K,x0,Ts);

设置K来0创建一个中的难点不含状态扰动元素的模型。

使用结构属性来修复某些模型参数的值。配置模型以便B和K都是固定的，只有的非零项一个是有价值的。

init_sys.Structure.A.Free＝（一个~=0); init_sys.Structure.B.Free = false; init_sys.Structure.K.Free = false;

中的条目init_sys.Structure.A.Free判断对应的条目是否在init_sys。一个免费(真正的)或固定(假）.

加载测量数据并使用指定的参数约束和初始值估计状态空间模型init_sys．

负载iddata2z2；Sys = ssest(z2,init_sys);

的估计参数sys满足指定的约束init_sys．

输入参数

全部折叠

估计数据，指定为均匀抽样时间表其中包含表示输入和输出通道的变量，或者对于多实验数据，包含时间表的单元格数组。

使用整个时间表

如果你想用所有的变量tt作为输入或输出通道，并且对变量进行组织，使输入通道变量集后面跟着输出通道变量集，则:

  • 对于SISO系统，请指定tt作为一个N年代-by-2时间表，其中N年代为样本数，两个时间表变量分别代表测量的输入通道和输出通道。

  • 对于MIMO系统，请指定tt作为一个N年代————(Nu+Ny)时间表，其中Nu输入的数量和Ny是输出的数量。第一个Nu变量必须包含输入通道和其余部分Ny变量必须包含输出通道。

    在估计状态空间或传递函数模型时，还必须显式地指定输入和输出通道，如下节所述。

  • 对于多实验数据，指定数据为Ne-by-1单元格的时间表数组，其中Ne是实验的次数。所有实验的采样次数必须匹配。

从时间表中选择变量

如果希望显式地标识输入和输出通道，例如只使用可用通道的一个子集、输入和输出通道变量混合，或者估计MIMO状态空间或传递函数模型时，请使用“InputName”和“OutputName”名称-值参数用于指定将哪些变量用作输入和输出。

例如，假设tt包含6个通道变量:“u1”，“u2”，“u3”,“日元”，“日元”，“y3”．对于估计，您需要使用变量“u1”和“u2”作为输入和变量“日元”和“y3”作为输出。使用以下命令执行估算:

sys = ss (tt, __“InputName”,“u1”“u2”,“OutputName”,(“日元”“y3))

使用时间表来估计时间序列模型

如果您想估计时间序列模型而不是输入/输出模型，请仅使用来自的输出变量tt．你可以指定tt仅包含所需的输出变量，或从中提取输出变量tt如果tt也包含输入变量。规范方法类似于用于输入/输出模型估计的方法。

  • 对于单输出系统，请指定tt作为一个N年代1的时间表。

  • 对于多元系统，请指定tt作为一个N年代————(Ny)的时间表。即使你打算使用所有的变量tt时，必须使用“OutputName”参数，以便软件不会将它们解释为输入变量。

关于时间表tt它的变量超出了您想要使用的范围，例如输入变量或额外的输出变量，指定您想要使用的输出变量和“InputName”，一个空数组。

例如，假设tt包含6个变量:“u1”，“u2”，“u3”,“日元”，“日元”，“y3”．对于时间序列估计，您希望使用输出变量“日元”和“y3”．使用以下命令执行估算:

sys = ss (tt, __“OutputName”,“日元”“y3”,“InputName”,[])

有关使用估计数据类型的详细信息，请参见系统标识工具箱中的数据类型．

估计数据，为SISO系统指定为逗号分隔的对N年代-by-1实值矩阵，包含均匀采样的输入和输出时域信号值。在这里,N年代是样本的数量。

对于MIMO系统，请指定u，y作为一个输入/输出矩阵对，具有以下维度:

  • u- - - - - -N年代——- - - - - -Nu,在那里Nu是输入的数量。

  • y- - - - - -N年代——- - - - - -Ny,在那里Ny是输出的数量。

对于多实验数据，请指定u，y作为一对1 × -Ne单元格数组，其中Ne是实验的次数。所有实验的采样次数必须匹配。

对于只包含输出而没有输入的时间序列数据，请指定y只有。

限制

  • 基于矩阵的数据不支持频域数据的估计。金宝app必须使用数据对象，例如iddata对象或idfrd对象(如数据）.

  • 连续时间估计不建议使用矩阵，因为数据不提供样本时间。软件假设数据采样频率为1hz。对于连续时间估计，建议将每个矩阵转换为a时间表．例如，转换矩阵嗯和ym到一个时间表tt采样时间为0.5分钟，使用以下命令。

    Tt =时间表(嗯，ym，“rowtimes”分钟(0.5 *(1:尺寸(u, 1))))
    有关将基于矩阵的SISO数据转换为时间表的更详细示例，请参见将SISO矩阵数据转换为时间表．有关将MIMO矩阵对转换为时间表的示例，请参见将MIMO矩阵数据转换为连续时间模型估计的时间表．

    有关使用估计数据类型的详细信息，请参见系统标识工具箱中的数据类型．

估计数据对象，指定为iddata对象,一个的朋友对象，或idfrd对象，该对象包含统一采样的输入和输出值。软件默认将模型的采样时间设置为估计数据的采样时间。

对于多实验数据，所有实验的样本次数和样本间行为必须匹配。

对于时域估计，数据一定是iddata对象，其中包含输入和输出信号值。

对于频域估计，数据可以是以下之一:

  • 记录的频率响应数据(的朋友(控制系统工具箱)或idfrd）

  • iddata对象，其属性指定如下:

    • InputData-输入信号的傅里叶变换

    • OutputData-输出信号的傅里叶变换

    • 域- - - - - -“频率”

限制

不能用离散频域数据估计连续时间模型。

估计模型的顺序，指定为非负整数或包含一系列正整数的向量。

  • 如果您已经知道您希望您的估计模型有什么顺序，请指定nx作为一个标量。

  • 如果您想比较潜在订单的范围，以为估计模型选择最有效的订单，请在中指定范围nx．党卫军创建汉克尔奇异值图，显示系统中每个状态的相对能量贡献。汉克尔奇异值相对较小的状态对模型精度的贡献很小，可以被丢弃，影响很小。您保留的最高状态的索引是模型顺序。绘图窗口包括对使用顺序的建议。您可以接受这个建议，也可以输入不同的订单。有关示例，请参见确定最佳估计模型顺序．

    如果您没有指定nx，或者您指定nx作为最好的，软件自动选择nx从range开始1:10．

  • 如果您正在识别一个静态系统，请设置nx来0．

的估计选项ssestOptions选项设置。指定的选项选择包括:

  • 估计目标

  • 初始条件的处理

  • 正则化

  • 用于估计的数值搜索方法

  • Intersample行为

展示如何使用的例子选择,请参阅用独立参数估计初始状态和使用正则化估计状态空间模型．

配置初始参数化的线性系统sys，指定为中的难点模型或结构你获得init_sys通过使用测量数据或直接构造来进行估计。

如果init_sys是一个中的难点模型中,党卫军的参数值init_sys作为初步估计sys．有关如何指定的信息中的难点,请参阅用结构化参数化估计状态空间模型．党卫军的参数上的约束init_sys，例如固定系数和最小/最大边界。

使用结构的属性init_sys属性的初始参数值和约束一个，B，C，D,K矩阵。例如:

  • 来指定的初始猜测一个矩阵的init_sys,设置init_sys.Structure.A.Value作为最初的猜测。

  • 属性的约束B矩阵的init_sys：

    • 集init_sys.Structure.B.Minimum到最低限度B矩阵的值

    • 集init_sys.Structure.B.Maximum到最大限度B矩阵的值

    • 集init_sys.Structure.B.Free项的if项B矩阵是可供估计的自由参数

    要设置更复杂的约束，如系数的相互依赖性，请使用灰盒估计感动的和idgrey．

你必须为所有矩阵参数分配有限的初始值。

如果init_sys不是状态空间(中的难点)模型，软件先进行转换init_sys到一个中的难点模型。党卫军使用结果模型的参数作为估计的初始猜测。

如果您没有指定选择和init_sys是通过估计得到的，那么软件使用估计选项从init_sys.Report.OptionsUsed．

有关示例，请参见用结构化估计估计部分已知状态空间模型．

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。

例子:sys = ssest(data,nx，'Ts'，0.1)

输入时间表数据的通道名称，指定为字符串、字符向量、字符串或字符向量的数组或单元格数组。默认情况下，该软件解释除最后一个变量以外的所有变量tt作为输入通道。当您希望选择时间表变量的子集作为输入通道使用时“InputName”来识别他们。例如,sys = ssest(tt，__，'InputName'，["u1" "u2"])选择变量u1和u2作为估计的输入通道。

时间表数据的输出通道名称，指定为字符串、字符向量、字符串或字符向量的数组或单元格数组。默认情况下，软件解释中的最后一个变量tt作为唯一的输出通道。当您希望选择时间表变量的子集作为输出通道时，请使用“OutputName”来识别他们。例如,sys = ssest(tt，__，'OutputName'，["y1" "y3"])选择变量日元和y3作为估计的输出通道。

估计模型的采样时间，由逗号分隔的对组成“t”,要么0或者一个正标量。

  • 对于连续时间模型，请指定“t”作为0．

  • 对于离散时间模型，指定“t”作为数据采样时间单位的定义如下:

    • 对于基于时间表的数据-时间表时间列

    • 对于基于矩阵的数据-秒

    • 对于数据对象，例如iddata对象-数据。时间Unit财产

获取时间表的数据采样时间tt，使用时间表属性tt.Properties.Timestep．

每个输入通道的输入延迟，指定为由逗号分隔的对组成“InputDelay”和一个数值向量。

  • 对于连续时间模型，请指定“InputDelay”在存储在时间表中的时间单位中，数据对象TimeUnit属性，对于矩阵数据，单位为秒。

  • 对于离散时间模型，指定“InputDelay”是采样时间的整数倍Ts．例如，设置“InputDelay”来3.指定三个采样周期的延迟。

对于一个系统Nu输入,设置InputDelay到一个Nu1的向量。该向量的每一项都是一个数值，表示对应输入通道的输入延迟。有关示例，请参见识别带有输入延迟的状态空间模型．

若要对所有通道应用相同的延迟，请指定InputDelay作为一个标量。

的标准形式的类型sys，指定为逗号分隔的对，由“形式”和以下值之一:

  • “免费”—矩阵的所有元素一个，B，C，D,K被视为自由。

  • “模态”——获得sys在情态形式中。

  • “同伴”——获得sys以同伴的形式。

  • “规范”——获得sys在可观测标准形式中。

有关规范形式的定义，请参见状态实现．

有关更多信息，请参见用典型参数化估计状态空间模型．有关示例，请参见修改形式、馈通和扰动模型矩阵．

从输入到输出的直接馈通，指定为由逗号分隔的对组成“引线”和一个长度的逻辑向量Nu,在那里Nu是输入的数量。如果你指定直通的作为一个逻辑标量，该值应用于所有输入。对于静态系统，软件总是假设“引线”是1．

有关示例，请参见修改形式、馈通和扰动模型矩阵．

选项，用于估计K矩阵中的时域噪声成分参数，指定为由逗号分隔的对组成“DisturbanceModel”和以下值之一:

  • “估计”-估计噪音成分。的K矩阵被视为一个自由参数。

  • “没有”-不要估计噪音成分。的元素K矩阵都固定在0。

对于频域数据，软件假设“DisturbanceModel”是“没有”．

有关示例，请参见修改形式、馈通和扰动模型矩阵．

输出参数

全部折叠

标识的状态空间模型，返回为中的难点模型。该模型是使用指定的模型顺序、延迟和估计选项创建的。

有关所使用的估计结果和选项的信息存储在报告模型的属性。报告具有以下字段。

报告字段 描述
状态

模型状态的总结，表明模型是通过构造创建的还是通过估计获得的。
方法

使用估计命令。
InitialState

初始状态在估计过程中是如何处理的，作为以下值之一返回:

  • “零”—初始状态设置为0。

  • “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。

  • 长度列向量Nx,在那里Nx是状态数。对于多个实验数据，采用矩阵不列,不是实验的次数。

  • 参数初始条件对象(x0obj)使用idpar．只适用于离散时间状态空间模型。

时，此字段特别有用InitialState选项中的值为“汽车”．
N4Weight

N4SID算法用于奇异值分解的加权方案，返回为以下值之一:

  • “MOESP”—使用MOESP算法。

  • “脑血管意外”-使用正则变量算法。

  • “SSARX”-一种子空间识别方法，使用基于ARX估计的算法来计算权重。

时，此选项特别有用N4Weight选项中的值为“汽车”．
N4Horizon

N4SID算法使用的正向和反向预测范围，返回为具有三个元素的行向量-[r sy su],在那里r为最大正向预测视界。sy是过去输出的数量，和苏是用于预测的过去输入的数量。
适合

估计的定量评估，作为结构返回。看到损失函数和模型质量度量有关这些质量度量的更多信息。该结构有以下字段:

场 描述
FitPercent

归一化均方根误差(NRMSE)衡量模型响应与估计数据的吻合程度，以百分比表示fitpercent= 100 (1-NRMSE)。
LossFcn

估计完成时损失函数的值。
均方误差

均方误差(MSE)衡量模型的响应与估计数据的吻合程度。
消防工程

模型的最终预测误差。
另类投资会议

原始赤池信息标准(AIC)是模型质量的度量标准。
AICc

小样本量校正AIC。
保险代理人

标准化的另类投资会议。
BIC

贝叶斯信息准则(BIC)。

参数

模型参数估计值。
OptionsUsed

用于估计的选项集。如果没有配置自定义选项，则这是一组默认选项。看到ssestOptions获取更多信息。
RandState

估计开始时随机数流的状态。空的,［］，如果在估计过程中没有使用随机化。有关更多信息，请参见rng．
DataUsed

用于估计的数据的属性。结构，使用以下字段:

场 描述
的名字

数据集的名称。
类型

数据类型。
长度

数据样本数量。
Ts

样品时间。这相当于数据。Ts．
InterSample

输入样本间行为。以下值之一:

  • “zoh”-零阶保持器在样本之间保持分段恒定的输入信号。

  • “呸”-一阶保持器在样本之间保持分段线性输入信号。

  • “提单”—限带行为指连续时间输入信号在奈奎斯特频率以上的功率为零。

的价值Intersample对离散时间模型的估计结果没有影响。
InputOffset

在估计过程中从时域输入数据中删除的偏移量。
OutputOffset

在估计过程中从时域输出数据中删除的偏移量。

终止

用于预测误差最小化的迭代搜索的终止条件，作为具有以下字段的结构返回:

场 描述
WhyStop

终止数值搜索的原因。
迭代

由估计算法执行的搜索迭代次数。
FirstOrderOptimality

∞ -搜索算法结束时梯度搜索向量的norm。
FcnCount

目标函数被调用的次数。
UpdateNorm

最后一次迭代中梯度搜索向量的范数。搜索方法为时省略“lsqnonlin”或“fmincon”．
LastImprovement

最后一次迭代中的标准改进，以百分比表示。搜索方法为时省略“lsqnonlin”或“fmincon”．
算法

使用的算法“lsqnonlin”或“fmincon”搜索方法。使用其他搜索方法时省略。

对于不需要数值搜索优化的估计方法，请使用终止字段省略。

有关使用的更多信息报告,请参阅评估报告．

在估计过程中计算的初始状态，作为包含每个实验对应的列向量的数组返回。

数组也存储在参数模型域报告财产。

有关示例，请参见用独立参数估计初始状态．

算法

党卫军使用非迭代子空间方法或迭代有理函数估计方法初始化参数估计。然后利用预测误差最小化方法对参数值进行优化。有关更多信息，请参见pem和ssestOptions．

参考文献

[1] Ljung, L。系统识别:用户的理论，第二版。上马鞍河，新泽西州:Prentice Hall PTR, 1999。

版本历史

在R2012a中引入

全部展开

另请参阅

功能

实时编辑任务

主题