greyestOptions
选项设置感动的
语法
选择= greyestOptions
选择= greyestOptions(名称、值)
输入参数
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-值参数必须出现在其他参数之后,但对的顺序并不重要。
在R2021a之前,名称和值之间用逗号隔开,并括起来的名字
在报价。
InitialState
- - - - - -初始状态的处理
“汽车”
(默认)|“模型”
|“零”
|“估计”
|“展望”
在估计期间对初始状态的处理,指定为以下值之一:
“模型”
—初始状态由节点使用的ODE文件参数化idgrey
模型。ODE文件必须返回6个或更多的输出参数。“零”
—初始状态设置为零。ODE文件返回的任何值都被忽略。“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”
-软件根据估计数据选择处理初始状态的方法。双精度向量——指定长度的列向量Nx,在那里Nx是状态数。对于多实验数据,用不列,不是实验的次数。在估计过程中,指定的值被视为固定值。
DisturbanceModel
- - - - - -干扰成分的处理
“汽车”
(默认)|“模型”
|“固定”
|“没有”
|“估计”
干扰成分的处理(K),指定为以下值之一:
“模型”
- - - - - -K类使用的ODE文件参数化idgrey
模型。ODE文件必须返回5个或更多的输出参数。“固定”
—参数的值K
财产的idgrey
模型固定为其原始值。“没有”
- - - - - -K固定为零。ODE文件返回的任何值都被忽略。“估计”
- - - - - -K被视为一个独立的估计参数。“汽车”
-软件选择方法来处理在估计过程中如何处理干扰成分。该软件使用“模型”
方法,如果ODE文件返回5个或更多的输出参数,为的值为有限值K.否则,软件使用“固定”
方法。
请注意
噪声模型不能用频域数据估计。
焦点
- - - - - -误差要最小化
“预测”
(默认)|“模拟”
在估计过程中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”
-在估计过程中尽量减少测量输出与预测输出之间超前一步的预测误差。因此,估计的重点是产生一个好的预测模型。“模拟”
-在估计过程中将测量输出和模拟输出之间的模拟误差降到最低。因此,估计的重点是使模型响应与当前输入的模拟良好拟合。
的焦点
选项可以解释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
在估计过程中对损失函数进行加权预滤波,使其最小。了解的效果WeightingFilter
关于损失函数,见损失函数和模型质量度量.
指定WeightingFilter
作为以下值之一:
[]
-不使用加权预过滤器。通带——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,
(王,wh)
在哪里王
而且wh
表示通带的下限和上限。对于一个有几行定义频率通带的矩阵,[w1l, w1h; w2l w2h; w3l, w3h;……)
,估计算法使用频率范围的并集来定义估计通带。通带用
rad / TimeUnit
对于时域数据和FrequencyUnit
对于频域数据,其中TimeUnit
而且FrequencyUnit
是估计数据的时间和频率单位。SISO滤波器-指定一个单输入单输出(SISO)线性滤波器的方法如下:
一个SISO LTI模型
{A, B, C, D}
格式,它指定具有与估计数据相同采样时间的过滤器的状态空间矩阵。{分子,分母}
格式,它将过滤器的分子和分母指定为具有与估计数据相同采样时间的传递函数。该选项将加权函数计算为滤波器和输入频谱的乘积,以估计传递函数。
加权向量-仅适用于频域数据。指定权重的列向量。这个向量的长度必须与数据集的频率向量相同,
数据。频率
.数据中的每个输入和输出响应在该频率上乘以相应的权值。
EnforceStability
- - - - - -控制是否强制模型的稳定性
假
(默认)|真正的
控制是否强制估计模型的稳定性,指定为逗号分隔的对,由“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”
选项显示估计进度,指定为以下值之一:
“上”
-在进度查看器窗口中显示模型结构和估计结果的信息。“关闭”
—没有显示进度和结果信息。
InputOffset
- - - - - -在估计过程中从时域输入数据中去除偏移量
[]
(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,指定为以下之一:
长度为正整数的列向量ν,在那里ν是输入的数量。
[]
—表示没有偏移量。ν——- - - - - -不矩阵-对于多实验数据,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。
指定的每个条目InputOffset
从相应的输入数据中减去。
OutputOffset
- - - - - -在估计过程中从时域输出数据中去除偏移量
[]
(默认)|向量|矩阵
在估计期间从时域输出数据中去除偏移量,指定为以下之一:
长度的列向量纽约,在那里纽约是输出的数量。
[]
—表示没有偏移量。纽约——- - - - - -不矩阵-对于多实验数据,指定
OutputOffset
作为一个纽约——- - - - - -不矩阵。纽约是输出的数量,和不是实验的次数。
指定的每个条目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权重函数。请注意
OutputWeight
不得“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
- - - - - -模型参数的正则化估计选项
结构
模型参数的正则化估计选项,指定为带有下表中字段的结构。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 |
这个常数决定了偏差和方差的权衡。 指定一个正标量,将正则化项添加到估计成本中。 默认值0表示不进行正则化。 |
0 |
R |
权重矩阵。 指定一个非负数的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。 对于黑匣子型号,建议使用默认值。对于结构化和灰盒模型,您还可以指定的向量 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意味着参数值被拉向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” |
自动选择方法 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” |
最陡下降最小二乘搜索 |
“lsqnonlin” |
Trust-region-reflective算法 该算法需要最优化工具箱™软件。 |
“fmincon” |
约束非线性动力学 的顺序二次规划(SQP)和信任区域反射算法
|
SearchOptions
- - - - - -搜索算法选项集
搜索选项设置
选项集,指定为搜索选项集,其中的字段依赖于的值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期望改进之间的最小百分比差,指定为正标量。当期望改善的百分比小于 |
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 |
软件最小化损失函数上的终止公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 |
软件最小化损失函数上的终止公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
- - - - - -更多高级选项
结构
其他高级选项,指定为具有以下字段的结构:
ErrorThreshold
—何时将大误差的权重由二次调整为线性。错误比
ErrorThreshold
乘以估计的标准偏差在损失函数中具有线性权值。标准差被稳健性估计为预测误差中位数的绝对偏差的中位数,除以0.7
.有关鲁棒规范选择的更多信息,请参见的15.2节[2].ErrorThreshold = 0
禁用鲁棒化,导致纯二次损失函数。当估计与频域数据,软件设置ErrorThreshold
为零。对于包含异常值的时域数据,请尝试设置ErrorThreshold
来1.6
.默认值:0
最大尺寸
—输入输出数据分割为段时,段中元素的最大个数。最大尺寸
必须是正整数。默认值:250000
StabilityThreshold
—指定稳定性测试的阈值。StabilityThreshold
是一个包含以下字段的结构:年代
-指定用于测试连续时间模型稳定性的最右边极点的位置。当一个模型的最右极点在的左边时,它被认为是稳定的年代
.默认值:0
z
-指定从原点到测试离散时间模型稳定性的所有极点的最大距离。如果所有极点都在距离内,则认为模型是稳定的z
从原点。默认值:
1 +√(eps)
AutoInitThreshold
-何时自动估计初始状态。时估计初始状态
y量是测量的输出。
yp, z是使用零初始状态估计的模型的预测输出。
yp, e是使用估计初始状态估计的模型的预测输出。
适用时
InitialState
是“汽车”
.默认值:
1.05
例子
参考文献
威尔斯,艾德里安,B.尼内斯,S.吉布森。“基于梯度的多变量系统估计搜索”。第16届IFAC世界大会论文集,布拉格,捷克共和国,2005年7月3-8日。英国牛津:爱思唯尔有限公司,2005。
[2] Ljung, L。系统识别:用户的理论.上马鞍河,新泽西州:Prentice-Hall PTR, 1999。
版本历史
介绍了R2012aR2018a:重命名评估和分析选项
在R2018a中更改了一些评估和分析选项的名称。以前的名字仍然有效。详细信息请参见R2018a发布说明重命名评估和分析选项.
MATLAB命令
你点击了一个对应于这个MATLAB命令的链接:
在MATLAB命令窗口中输入命令来运行该命令。Web浏览器不支持MATLAB命令。
您也可以从以下列表中选择网站:
如何获得最佳的网站性能
选择中国网站(中文或英文)以获得最佳的网站表现。其他MathWorks国家网站没有针对从您的位置访问进行优化。