主要内容

nlgreyest

估计非线性灰盒模型参数

在页面中全部折叠

语法

sys = nlgreyest(数据、init_sys)
sys = nlgreyest(数据、init_sys选项)

描述

例子

sys= nlgreyest (数据，init_sys）估计非线性灰盒模型的参数，init_sys，利用时域数据，数据．

例子

sys= nlgreyest (数据，init_sys，选项）指定其他模型估计选项。

例子

全部折叠

打开生活的脚本

加载数据。

负载(fullfile (matlabroot“工具箱”，“识别”，“iddemos”，“数据”，“twotankdata”));z = iddata (y, u, 0.2,“名字”，“两个坦克”）;

该数据包含3000个双槽系统的输入输出数据样本。输入是施加在泵上的电压，输出是下槽的液位。

指定描述双槽系统模型结构的文件。该文件将状态导数和模型输出指定为时间、状态、输入和模型参数的函数。

文件名=“twotanks_c”；

指定型号订单[ny nu nx]。

Order = [1 1 2];

指定初始参数(Np = 6)。

参数= {0.5;0.0035;0.019;.．.9.81; 0.25; 0.016};

指定初始初始状态。

InitialStates = [0, 0.1];

指定为连续系统。

t = 0;

创建idnlgrey模型对象。

nlgr = idnlgrey(文件名、秩序、参数、InitialStates Ts,.．.“名字”，“两个坦克”）;

设置一些参数为常量。

nlgr.Parameters(1)。固定= true;nlgr.Parameters(4)。固定= true;nlgr.Parameters(5)。固定= true;

估计模型参数。

nlgr = nlgreyest (z, nlgr);
打开生活的脚本

创建评估选项集nlgreyest查看评估进度，并将最大迭代步骤设置为50。

选择= nlgreyestOptions;opt.Display =“上”；opt.SearchOptions.MaxIterations = 50;

加载数据。

负载(fullfile (matlabroot“工具箱”，“识别”，“iddemos”，“数据”，“dcmotordata”));z = iddata (y, u, 0.1,“名字”，直流电机的）;

数据来自一个线性直流电动机，有一个输入(电压)和两个输出(角位置和角速度)。模型的结构由dcmotor_m.m文件。

创建一个非线性灰盒模型。

file_name =“dcmotor_m”；Order = [2 1 2];参数= (1;0.28);InitialStates = (0, 0);init_sys = idnlgrey (file_name、秩序、参数InitialStates 0.．.“名字”，直流电机的）;

使用估计选项估计模型参数。

sys = nlgreyest (z, init_sys,选择);

输入参数

全部折叠

时域估计数据，指定为iddata对象。数据有相同的输入和输出尺寸init_sys．

如果指定InterSample的属性数据作为“提单”(带宽受限)且模型为连续时间，软件将数据作为插值的一阶保持(foh)进行估计。

构造了配置初始参数化的非线性灰盒模型sys，指定为idnlgrey对象。init_sys有相同的输入和输出尺寸数据．创建init_sys使用idnlgrey．

非线性灰盒模型辨识的估计选项，指定为nlgreyestOptions选项设置。

输出参数

全部折叠

结构相同的非线性灰盒模型init_sys，作为idnlgrey对象。的参数sys的响应估计sys匹配估计数据中的输出信号。

关于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

模型状态的摘要，它表明模型是通过构建创建的还是通过估计获得的。
方法

模拟求解器的名称和估计期间使用的搜索方法。
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指标的更多信息。该结构有以下字段:

场 描述
FitPercent

归一化均方根误差(NRMSE)衡量模型的响应与估计数据的吻合程度，用百分比表示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

原始赤池信息准则(AIC)是衡量模型质量的标准。
AICc

样本规模小的AIC纠正。
保险代理人

标准化的另类投资会议。
BIC

贝叶斯信息准则。

参数

模型参数估计值。具有以下字段的结构:

场 描述
initialvalue 结构，具有参数值和估计前的初始状态。
ParVector 估算后的参数值。
免费的

在估计过程中指定参数固定或自由状态的逻辑向量
FreeParCovariance 自由参数的协方差。
X0 估计后的初始状态值。
X0Covariance 初始态的协方差。

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nlgreyestOptions为更多的信息。
RandState

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

用于估计的数据的属性-具有以下字段的结构:

场 描述
的名字

数据集的名称。
类型

数据类型- Foridnlgrey模特，这是设定时间域数据的．
长度

数据样本的数量。
Ts

样品时间。这相当于数据。Ts．
InterSample

输入intersample行为。以下值之一:

  • “zoh”-零阶保持器在样本之间保持一个分段恒定的输入信号。

  • “呸”-一阶保持器保持样本之间的分段线性输入信号。

  • “提单”—带宽限制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

空的,［］，为非线性估计方法。
OutputOffset

空的,［］，为非线性估计方法。

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

∞ -搜索算法终止时梯度搜索向量的范数。
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。当搜索方法为时省略“lsqnonlin”或“fmincon”．
LastImprovement

上次迭代中的标准改进，用百分比表示。当搜索方法为时省略“lsqnonlin”或“fmincon”．
算法

所使用的算法“lsqnonlin”或“fmincon”搜索方法。当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终止字段是省略。

有关更多信息，请参见评估报告．

扩展功能

版本历史

介绍了R2015a

另请参阅

|||||

主题

Baidu
map