ssestOptions
ssest的选项集
描述
使用一个ssestOptions
对象指定用于估计状态空间模型的选项党卫军
函数。您可以指定一些选项,例如初始状态的处理、稳定性的执行以及在估计中使用的数值搜索方法。
创建
属性
InitializeMethod
- - - - - -用于初始化状态空间参数的算法
“汽车”
(默认)|“n4sid”
|“lsrf”
用于初始化状态空间参数值的算法党卫军
,指定为以下值之一:
“汽车”
- - - - - -党卫军
选择自动:lsrf
,当系统为非mimo时,数据为频域,状态空间参数为实值。n4sid
否则(时域,MIMO,或复值状态空间参数)。
“n4sid”
-子空间状态空间估计方法-可用于所有系统(见n4sid
).“lsrf”
-基于最小二乘有理函数估计的方法[7](见基于连续频域数据的连续时间传递函数估计) -可以为具有实值状态空间参数的非MIMO频域系统提供更高精度的结果,但不能用于任何其他系统(时域、MIMO或具有复值状态空间参数)。
InitialState
- - - - - -初始状态的处理
“汽车”
(默认)|“零”
|“估计”
|“展望”
|向量|参数初始条件对象(x0obj
)
在估计过程中对初始状态的处理,指定为以下值之一:
“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。“汽车”
- - - - - -党卫军
根据估计数据选择初始状态处理方法。可能的初始状态处理方法有“零”
,“估计”
而且“展望”
.Vector of doubles -指定长度的列向量Nx,在那里Nx是状态数。对于多次实验数据,指定一个矩阵不列,不是实验的次数。在估计过程中,指定的值被视为固定值。
参数初始条件对象(
x0obj
) -使用指定初始条件idpar
创建参数化初始条件对象。您可以使用参数初始条件对象指定最小/最大边界并固定特定状态的值。的自由项x0obj
一起估计中的难点
模型参数。此选项仅用于离散时间状态空间模型。
N4Horizon
- - - - - -的前向和后向预测范围N4SID
算法
“汽车”
(默认)|向量[r sy su]
|k
3矩阵
N4SID算法使用的正向和反向预测范围,指定为以下值之一:
一个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。算法使用到r
提前预测。sy
是过去输出的数量,和苏
是用于预测的过去输入的数量。见第209页和第210页[4]获取更多信息。这些数字可以对最终模型的质量产生实质性的影响,并且没有选择这些数字的简单规则。使“N4Horizon”
一个k
-by-3矩阵表示每一行“N4Horizon”
尝试,然后选择最适合数据的值(预测值)。k
猜的次数是多少[r sy su]
组合。如果将N4Horizon指定为单列,R = sy = su
使用。“汽车”
-该软件使用赤池信息标准(AIC)的选择sy
而且苏
.
焦点
- - - - - -最小化误差
“预测”
(默认)|“模拟”
估计期间损失函数中要最小化的误差,指定为逗号分隔的对,由“焦点”
和以下值之一:
“预测”
-在估计过程中,将测量输出与预测输出之间提前一步的预测误差最小化。因此,估计的重点是产生一个良好的预测模型。“模拟”
-在估计过程中,测量输出和模拟输出之间的模拟误差最小化。因此,估计的重点是在当前输入条件下对模型响应的模拟进行良好的拟合。
的焦点
期权可以理解为损失函数中的加权滤波器。有关更多信息,请参见损失函数和模型质量度量.
WeightingFilter
- - - - - -加权预滤器
[]
(默认)|向量|矩阵|单元阵列|线性系统|“发票”
|“invsqrt”
加权预滤波器应用于估计过程中要最小化的损失函数。要了解的效果WeightingFilter
关于损失函数,请参见损失函数和模型质量度量.
指定WeightingFilter
作为下表中的值之一。
价值 | 描述 |
---|---|
[] |
不使用加权预滤波器。 |
通频带 |
指定包含定义所需通带的频率值的行向量或矩阵。您可以选择一个频带,其中估计模型和估计数据之间的拟合是优化的。例如,指定 通带用rad/表示 |
输出滤波器 | 通过以下方式之一指定单输入单输出(SISO)线性滤波器:
|
权重向量 | 仅适用于频域数据。指定一个权值列向量。这个向量的长度必须与数据集的频率向量相同, |
“发票” |
适用于估算使用频率特性数据只有。使用 作为加权滤波器,其中G(ω)为复频响数据。使用此选项可捕获数据中相对较低的振幅动态,或拟合具有高模态密度的数据。此选项还可以更容易地为MIMO频率响应数据指定依赖于信道的加权滤波器。 |
“invsqrt” |
仅适用于使用频率响应数据的估计。使用 作为加权滤波器。使用此选项可捕获数据中相对较低的振幅动态,或拟合具有高模态密度的数据。此选项还可以更容易地为MIMO频率响应数据指定依赖于信道的加权滤波器。 |
EnforceStability
- - - - - -控制是否加强模型的稳定性
假
(默认)|真正的
控制是否强制估计模型的稳定性,指定为由逗号分隔的对组成“EnforceStability”
,要么真正的
或假
.
EstimateCovariance
- - - - - -选项生成参数协方差数据
真正的
(默认)|假
选项生成参数协方差数据,指定为真正的
或假
.
如果EstimateCovariance
是真正的
,然后使用getcov
从估计的模型中获取协方差矩阵。
显示
- - - - - -选项显示估计进度
“关闭”
(默认)|“上”
选项显示评估进度,指定为以下值之一:
“上”
-有关模型结构和估计结果的信息显示在进度查看器窗口中。“关闭”
—无进度和结果信息。
InputInterSample
- - - - - -输入通道样本间行为
“汽车”
|“zoh”
|“呸”
|“提单”
离散时间和连续时间之间转换的输入通道样本间行为,指定为“汽车”
,“zoh”
,“呸”
,或“提单”
.
三种行为值的定义如下:
“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。
iddata
对象也有类似的属性,数据。我nterSample
,其中包含相同的行为值选项。当InputInterSample
值是“汽车”
估计数据是iddata
对象数据
,软件使用数据。我nterSample
价值。当估计数据包含在时间表或矩阵对中时,使用“汽车”
选项,软件使用“zoh”
.
该软件对所有通道和所有实验应用相同的选项值。
InputOffset
- - - - - -在估计过程中去除时域输入数据的偏移
[]
(默认)|正整数向量|矩阵
在估计期间从时域输入数据中去除偏移量,指定为下列之一:
长度为正整数的列向量ν,在那里ν是输入的数量。
[]
—不偏移。ν——- - - - - -不矩阵-对于多个实验数据,请指定
InputOffset
作为一个ν——- - - - - -不矩阵。ν输入的数量和不是实验的次数。
由InputOffset
从相应的输入数据中减去。
OutputOffset
- - - - - -在估计过程中去除时域输出数据的偏移
[]
(默认)|向量|矩阵
在估计期间从时域输出数据中去除偏移量,指定为下列之一:
长度的列向量纽约,在那里纽约是输出的数量。
[]
—不偏移。纽约——- - - - - -不矩阵-对于多个实验数据,请指定
OutputOffset
作为一个纽约——- - - - - -不矩阵。纽约输出的数量,和不是实验的次数。
由OutputOffset
从相应的输出数据中减去。
OutputWeight
- - - - - -多输出估计中预测误差的加权
[]
(默认)|“噪音”
|正半定对称矩阵
多输出估计中预测误差的权重,指定为以下值之一:
“噪音”
——减少 ,在那里E表示预测误差和N
是数据样本的数量。这种选择在统计意义上是最优的,如果对噪声的方差一无所知,则会导致最大似然估计。它使用估计噪声方差的倒数作为加权函数。请注意
OutputWeight
一定不是“噪音”
如果SearchMethod
是“lsqnonlin”
.正半定对称矩阵(
W
) -最小化加权预测误差矩阵的迹跟踪(E”* E * W / N)
,地点:E预测误差矩阵,每个输出有一列,和W是大小等于输出数的正半定对称矩阵。使用W指定多输出模型中输出的相对重要性,或对应数据的可靠性。
N
是数据样本的数量。
[]
—软件选择“噪音”
用单位矩阵W
.
此选项仅与多输出模型相关。
正则化
- - - - - -模型参数正则化估计的选项
结构
正则化估计模型参数的选项,模型参数指定为带有下表字段的结构。有关正则化的更多信息,请参见模型参数的正则化估计.
字段名 | 描述 | 默认的 |
---|---|---|
λ |
决定偏差与方差权衡的常数。 指定一个正标量,将正则化项添加到估计代价中。 默认值0表示没有正则化。 |
0 |
R |
权重矩阵。 指定一个非负数向量或一个方正半定矩阵。长度必须等于模型的自由参数的数量。 对于黑匣子模型,建议使用默认值。对于结构化和灰盒模型,还可以指定向量 默认值1表示值为 |
1 |
名义上的 |
在估计过程中,自由参数被拉向的标称值。 默认值为0意味着参数值趋于0。如果您正在细化一个模型,您可以将该值设置为 |
0 |
SearchMethod
- - - - - -数值搜索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,指定为下表中的值之一。
SearchMethod |
描述 |
---|---|
“汽车” |
自动方法选择 直线搜索算法的组合, |
“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 |
“玲娜” |
自适应子空间高斯-牛顿搜索 特征值小于 |
“lm” |
Levenberg-Marquardt最小二乘搜索 每个参数值为 |
“研究生” |
最速下降最小二乘搜索 |
“lsqnonlin” |
的信任区域反射算法 该算法需要最优化工具箱软件。 |
“fmincon” |
约束非线性求解器 的顺序二次规划(SQP)和信任区域反射算法
|
SearchOptions
- - - - - -搜索算法的选项集
搜索选项集
的值指定为搜索选项集,其中的字段取决于的值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 |
损失函数的当前值与下一次迭代后的预期改进之间的最小百分比差异,指定为正标量。当预期改善的百分比小于 |
0.01 |
||||||||||||||||||||||||||||||
MaxIterations |
损失函数最小化期间的最大迭代次数,指定为正整数。当迭代停止时 设置 使用 |
20. |
||||||||||||||||||||||||||||||
先进的 |
高级搜索设置,指定为具有以下字段的结构。
|
SearchOptions
结构时SearchMethod
被指定为“lsqnonlin”
字段名 | 描述 | 默认的 |
---|---|---|
FunctionTolerance |
软件最小化的损失函数上的终止容差,以确定估计的参数值,指定为正标量。 的价值 |
1 e-5 |
StepTolerance |
估计参数值上的终止公差,指定为正标量。 的价值 |
1 e-6 |
MaxIterations |
损失函数最小化期间的最大迭代次数,指定为正整数。当迭代停止时 的价值 |
20. |
SearchOptions
结构时SearchMethod
被指定为“fmincon”
字段名 | 描述 | 默认的 |
---|---|---|
算法 |
|
“sqp” |
FunctionTolerance |
软件最小化的损失函数上的终止容差,以确定估计的参数值,指定为正标量。 |
1 e-6 |
StepTolerance |
估计参数值上的终止公差,指定为正标量。 |
1 e-6 |
MaxIterations |
损失函数最小化期间的最大迭代次数,指定为正整数。当迭代停止时 |
One hundred. |
先进的
- - - - - -其他高级选项
结构
其他高级选项,作为带有下表字段的结构指定。
字段名 | 描述 | 默认的 | |||||||||
---|---|---|---|---|---|---|---|---|---|---|---|
ErrorThreshold |
误差阈值,将大误差的权重由二次误差调整为线性误差。 误差大于 一个 |
0 |
|||||||||
最大尺寸 |
当输入-输出数据被分割成段时,一个段中的最大元素数。
|
250000 |
|||||||||
StabilityThreshold |
稳定性测试的阈值。
|
||||||||||
AutoInitThreshold |
自动估计初始条件的阈值。 该软件估计初始条件时:
|
1.05 |
|||||||||
监护系统 |
指定是否使用数据驱动坐标算法[5]用于估计自由参数化状态空间模型。 指定
|
例子
为状态空间估计创建默认选项集
opt = ssestOptions
ssest命令的选项集:InitializeMethod: 'auto' InitialState: 'auto' N4Weight: 'auto' N4Horizon: 'auto' Display: 'off' InputInterSample: 'auto' InputOffset: [] OutputOffset: [] EstimateCovariance: 1 OutputWeight: [] Focus: 'prediction' WeightingFilter: [] EnforceStability: 0 SearchMethod: 'auto' SearchOptions: '<优化选项集>'正则化:[1x1 struct]高级:[1x1 struct]
指定状态空间估计的选项
为创建一个选项集党卫军
使用“展望”
算法初始化状态并设置显示
“在“
.
opt = ssestOptions(“InitialState”,“展望”,“显示”,“上”)
ssest命令的选项集:InitializeMethod: 'auto' InitialState: 'backcast' N4Weight: 'auto' N4Horizon: 'auto' Display: 'on' InputInterSample: 'auto' InputOffset: [] OutputOffset: [] EstimateCovariance: 1 OutputWeight: [] Focus: 'prediction' WeightingFilter: [] EnforceStability: 0 SearchMethod: 'auto' SearchOptions: '<优化选项集>'正则化:[1x1 struct]高级:[1x1 struct]
或者,使用点表示法来设置的值选择
.
opt = ssestOptions;opt.InitialState =“展望”;opt.Display =“上”;
参考文献
Wallace Larimore, [1];“识别、过滤和自适应控制中的典型变量分析。”第29届IEEE决策与控制会议论文集,页596-604,1990。
[2] Verhaegen, Michel。“从输入输出数据中识别创新形式中给出的MIMO状态空间模型的确定性部分。”自动化《中国经济》,1994年第30卷第1期,61-74页。https://doi.org/10.1016/0005 - 1098 (94) 90229 - 1
[3]威尔斯,艾德里安,B.宁尼斯和S.吉布森。基于梯度的多变量系统估计搜索第16届国际会计师联合会世界大会论文集,布拉格,捷克共和国,2005年7月3-8日。牛津,英国:爱思唯尔有限公司,2005。
[4] Ljung, Lennart。系统识别:用户的理论.上马鞍河,新泽西州:Prentice-Hall PTR, 1999。
[5]麦凯维,托马斯,A.海默松和T.里巴里茨。多变量线性系统的数据驱动局部坐标及其在系统辨识中的应用。自动化,卷40,No. 9, 2004, pp. 1629-1635。
杨松,马格努斯。子空间识别和ARX建模第十三届国际会计师联合会系统识别研讨会, 2003年,荷兰鹿特丹。
Ozdemir, Ahmet Arda, S. Gumossoy。基于向量拟合的系统辨识工具箱中的传递函数估计。国际自动控制联合会第二十届世界大会论文集。2017年7月,法国图卢兹。
版本历史
在R2012a中引入R2022b:InputInterSample
选项允许从时间表或矩阵估计连续模型的样本间行为规范。
iddata
对象包含InterSample
描述信号在采样点之间的行为的属性。的InputInterSample
选项中实现该属性的一个版本ssestOptions
因此,当估计数据存储在时间表或矩阵时,也可以指定样本间的行为。
R2018a:重命名估计和分析选项
R2018a修改了部分估计和分析选项的名称。以前的名字仍然有效。具体操作请参见R2018a发布说明重命名估计和分析选项.
MATLAB命令
你点击了一个对应于这个MATLAB命令的链接:
在MATLAB命令窗口中输入该命令来运行该命令。Web浏览器不支持MATLAB命令。金宝app
您也可以从以下列表中选择一个网站:
如何获得最佳的网站性能
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。