sim卡
模拟识别模型的响应
语法
描述
sim卡(___）绘制识别模型的模拟响应。
例子
使用输入数据模拟状态空间模型
加载估计数据。
负载iddata2z2
估计一个三阶状态空间模型。
Sys = sest(z2,3);
使用来自估计数据的输入通道模拟识别的模型。
Y = sim(sys,z2);
为模拟模型响应添加噪声
加载数据，并获得识别的模型。
负载iddata2z2Sys = n4sid(z2,3);
sys是使用子空间方法估计的三阶状态空间模型。
创建一个模拟选项集，向模拟模型响应中添加噪声。
opt1 = simOptions(“AddNoise”,真正的);
模拟模型。
Y = sim(sys,z2,opt1);
默认高斯白噪声通过模型的噪声传递函数进行滤波，并添加到模拟模型响应中。
你也可以添加自己的噪声信号，e，使用NoiseData选择。
E = randn(length(z2.u)，1);opt2 = simOptions(“AddNoise”,真的,“NoiseData”, e);
模拟模型。
Y = sim(sys,z2,opt2);
利用估计过程中获得的初始条件模拟模型
加载数据。
负载iddata1z1
指定估计选项以估计初始状态。
estimOpt = ssestOptions(“InitialState”,“估计”）;
估计一个状态空间模型，并返回估计的初始状态值。
[sys,x0] = ssest(z1,2,estimOpt);
指定模拟的初始条件
simOpt = simOptions(“InitialCondition”, x0);
对模型进行仿真，得到模型响应和标准差。
[y,y_sd] = sim(sys,z1,simOpt);
状态-空间模型的估计标准偏差和状态轨迹
负载估计数据，并估计一个状态空间模型。
负载iddata1z1Sys = sest(z1,2);
返回标准偏差和状态轨迹。
[y,y_sd,x] = sim(sys,z1);
估计状态轨迹和模拟响应的标准差
负载估计数据，并估计一个状态空间模型。
负载iddata1z1Sys = sest(z1,2);
创建一个模拟选项集，并指定初始状态。
opt = simOptions(“InitialCondition”[1, 2]);
指定初始状态的协方差。
opt. x0co方差= [0.1 0;0 0.1);
计算模拟响应的标准差，y_sd，状态轨迹，x_sd．
[y,y_sd,x,x_sd] = sim(sys,z1,opt);
模拟模型响应
获取已识别的模型。
负载iddata2z2Sys = tfest(z2,3);
sys是一个idtf封装测量数据估计的三阶传递函数的模型z2．
模拟模型。
sim (sys、z2)
模拟非线性ARX模型
在已知平衡点附近模拟单输入单输出非线性ARX模型，输入水平为1和产出水平10．
加载样例数据。
负载iddata2
从数据估计一个非线性ARX模型。
M = nlarx(z2，[2 2 1]，“idTreePartition”）;
根据过去的数据估计模型的当前状态。指定尽可能多的过去样本，因为输入和输出变量中有滞后(这里是2)。
x0 = data2state(M,struct(“输入”的(1),“输出”10 * 1 (2, 1)));
通过返回的初始状态来模拟模型data2state．
opt = simOptions(“InitialCondition”, x0);sim (M, z2,选择)
从上次模拟结束继续
继续上一次模拟运行结束时的非线性ARX模型的模拟。
从数据估计一个非线性ARX模型。
负载iddata2M = nlarx(z2，[2 2 1]，idTreePartition);
使用输入数据的前半部分模拟模型z2．从零初始状态开始模拟。
U1 = z2(1:200，[]);opt1 = simOptions(“InitialCondition”,“零”）;ys1 = sim(M,u1,opt1);
使用输入数据的后半部分启动另一个模拟z2．使用与第一个模拟结束时相同的模型状态。
U2 = z2(201:end，[]);
要正确设置第二个模拟的初始状态，请打包输入u1和输出ys1从第一个模拟变成了一个iddata对象。将此数据作为下一次模拟的初始条件传递。
firstSimData = [ys1,u1];opt2 = simOptions(“InitialCondition”, firstSimData);ys2 = sim(M,u2,opt2);
通过与使用所有输入数据的完整模拟进行比较，验证这两个模拟z2．首先，提取整个输入数据集。
uTotal = z2(:，[]);opt3 = simOptions(“InitialCondition”,“零”）;ysTotal = sim(M,uTotal,opt3);
画出三个答案ys1,ys2而且ysTotal。ys1应该等于前一半ysTotal．ys2应该等于的后半部分ysTotal．
情节(ys1“b”ys2,‘g’ysTotal,“k *’）
图中显示了三种反应ys1,ys2,ysTotal如预期的重叠。
匹配模型响应到输出数据
估计模型的初始状态米使响应与数据集中的输出最匹配z2．
加载样例数据。
负载iddata2；
从数据估计一个非线性ARX模型。
M = nlarx(z2，[4 3 2]，idWaveletNetwork(“NumberOfUnits”, 20));
估计的初始状态米最适合z2.y在模拟响应中。
x0 = findstates(M,z2,Inf);
模拟模型。
opt = simOptions(“InitialCondition”, x0);ysim = sim(M,z2.u,opt);
比较模拟模型的输出ysim输入输出信号z2．
time = z2.SamplingInstants;情节(时间、ysim时间、z2.y“。”）
已知输入和未知输出的稳态模拟模型
开始模拟接近稳态的模型，其中输入是已知的1，但输出未知。
加载样例数据。
负载iddata2
从数据估计一个非线性ARX模型。
M = nlarx(z2，[4 3 2]，idWaveletNetwork);
确定输入的平衡状态值1和未知的目标输出。
x0 = findop(M，“稳定”1、南);
使用初始状态模拟模型x0．
opt = simOptions(“InitialCondition”, x0);sim (M, z2.u,选择)
稳态工作点Hammerstein-Wiener模型模拟
加载样例数据。
负载iddata2
创建一个Hammerstein-Wiener模型。
M = nlhw(z2，[4 3 2]，[]， idpiecewislinear);
计算与输入电平相对应的稳态工作点值1一个未知的输出水平。
x0 = findop(M，“稳定”1、南);
用估计的初始状态模拟模型。
opt = simOptions(“InitialCondition”, x0);sim (M, z2.u)
模拟时间序列模型
加载时间序列数据，并使用最小二乘方法估计AR模型。
负载iddata9z9Sys = ar(z9,6，“ls”）;
对于时间序列数据，指定所需的模拟长度，N= 200使用N-by-0输入数据集。
data = iddata([]， 0 (200,0)，z9.Ts);
设置初始条件，将时间序列的初始样本作为历史输出样本。
IC = struct(“输入”[],“输出”z9.y (1:6));opt = simOptions(“InitialCondition”、集成电路);
模拟模型。
sim (sys、数据选择)
理解使用历史数据进行模型模拟
在模拟模型时，使用历史输入-输出数据作为初始条件的代理。方法进行模拟sim卡命令，并使用simOptions选项设置。然后，通过手动将历史数据映射到初始状态，重新生成模拟输出。
加载一个双输入一输出数据集。
负载iddata7z7
使用这些数据确定一个五阶状态空间模型。
Sys = n4sid(z7,5);
将数据集分成两部分。
zA = z7(1:15);zB = z7(16:结束);
用输入信号模拟模型zB．
uSim = zB;
模拟需要初始条件。信号值为咱历史数据，也就是说，它们是在数据之前的时间的输入和输出值吗zB．使用咱作为所需初始条件的代表。
IO = struct(“输入”,咱。InputData,“输出”, zA.OutputData);opt = simOptions(“InitialCondition”IO);
模拟模型。
ysim = sim(sys,uSim,opt);
现在通过手动将历史数据映射到的初始状态来重新生成输出sys．要做到这一点，请使用data2state命令。
xf = data2state(sys,zA);
xf的状态值sys在时间瞬间后立即将最近的数据抽样进来咱．
使用xf作为初始状态。
opt2 = simOptions(“InitialCondition”、xf);ysim2 = sim(sys,uSim,opt2);
的输出sim卡命令ysim以及人工计算的结果ysim2.
情节(ysim“b”ysim2,“——r”）
ysim2和ysim．
模拟连续时间神经状态空间对象
的状态和输出网络idNeuralStateSpace对象被随机初始化。为了保证重现性，固定随机数生成器的种子。
rng (0)
创建一个具有两个状态、两个输入和三个输出的连续时间神经状态空间对象。
nss = idNeuralStateSpace(2,NumInputs=2,NumOutputs=3)
三输出，两状态，两输入的连续时间神经状态空间模型dx/dt = f(x(t)，u(t)) y_1(t) = x(t) + e_1(t) y_2(t) = g(x(t)，u(t)) + e_2(t) y(t) = [y_1(t);y_2(t)] f(.)网络:2个全连接、隐藏层的深层网络激活函数:Tanh g(.)网络:2个全连接、隐藏层的深层网络激活函数:Tanh输入:u1、u2输出:y1、y2、y3状态:x1、x2状态:通过直接构建或转换创建。不估计。更多信息在模型的“报告”属性。模型属性
定义一个时间序列、一个随机输入信号和一个随机初始状态。
T = (0:1:10)';U = rand(长度(t)，2);X0 = 0.3*randn(2,1);
当模拟idNeuralStateSpace不支持将输入数据指定为数值数组的系统。对于本例，将输入数据转换为一个时间表对象，指定u的值与向量中的时间点相关联t．
u = array2schedule (u,RowTimes=seconds(t));
设置仿真选项对象，使仿真从x0输出是根据向量中的时间点计算的t．
simOpt = simOptions(“InitialCondition”x0,“OutputTimes”t);
模拟(未经训练的)神经状态空间系统nss．
y = sim(nss,u,simOpt);
绘制模拟输出。
情节(t, y.Variables);ylabel (“输出”）;包含(“时间(秒)”)标题(神经状态空间系统:模拟输出）
输入参数
输出参数
提示
当估计模型和测量验证数据集的系统的初始条件不同时，模拟和测量的响应也可能不同，特别是在响应的开始阶段。要最小化此差异，请使用
findstates并使用估计值来设置InitialCondition选择使用simOptions．有关示例，请参见匹配模型响应到输出数据．
算法
模拟指利用输入数据和初始条件计算模型响应。sim卡模拟以下系统:
在这里,
u（t)为模拟输入数据，
udata．y（t)为模拟输出响应。
G从输入到输出的传递函数是否定义在
sys．模拟初始条件，按指定使用simOptions，设置的初始状态G．e（t)是可选的噪音信号。对象向模拟中添加噪声
simOptions选项设置，并设置AddNoise选项真正的．此外，您可以通过指定NoiseData选择。H噪声传递函数和定义在
sys．δu是从输入信号中减去可选的输入偏移量，u（t)，然后用输入模拟模型。属性指定输入偏移量
InputOffset选择使用simOptions．δy是添加到输出响应中的可选输出偏移量，y（t)，经过模拟。属性指定输出偏移量
OutputOffset选择使用simOptions．
有关指定模拟初始条件、输入和输出偏移量以及噪声信号数据的更多信息，请参见simOptions．对于多实验数据，您可以为每个实验分别指定这些选项。
选择
版本历史
R2006a之前介绍
您也可以从以下列表中选择一个网站: