分析参数与设计要求的关系- MATLAB & Simulink - MathWorks Italia

分析参数与设计要求之间的关系

分析参数和状态(统称为参数)^®模型影响模型信号的设计要求时，首先要生成参数样本。然后，通过在模型信号上创建设计需求来定义代价函数，并为每个样本评估代价函数。最后，分析了参数变化与代价函数值之间的关系。您可以通过以下方式执行此分析:

视觉分析

根据参数样本查看成本函数评估图，以确定趋势。这种方法是非正式的，并提供了关于各种参数如何影响成本函数的直观直观。

在灵敏度分析仪，评估完成后，在应用程序中生成评估结果散点图。图中显示了评估的成本函数值作为参数集中每个参数的函数。最后一列子图显示了评估成本函数值的概率分布。您可以在散点子图中右键单击并选择，从而向散点子图添加最佳拟合线叠加线性拟合在上下文菜单中。在该图中，最佳拟合线表示获得参数对需求有很大的影响。

还可以绘制评估结果的等高线图。要了解更多关于这些情节的信息，请参见与灵敏度分析仪中的图交互．有关示例，请参见确定评估的关键参数(GUI)．

在命令行中，你可以使用如下工具:

sdo.scatterPlot-参数样本相对于成本函数评价的散点图
冲浪，网，轮廓-两个参数的样本相对于成本函数评价的三维图

有关示例，请参见确定评估的关键参数(代码)．

统计分析

除了可视化地分析参数对成本函数的影响之外，您还可以计算统计数据来量化关系。

获得关于成本函数评估和参数样本之间关系的汇总统计数据。可用的分析方法包括:

方法	描述
相关	用于分析模型参数与成本函数输出之间的相关性。
偏相关	用于分析模型参数和代价函数如何相互关联，去除其余参数的影响。
标准化的回归	当您期望模型参数线性影响代价函数时使用。

对于这些方法中的每一个，您可以通过从以下分析类型中选择来指定用于分析的数据:

线性分析，也称为皮尔森analysis——使用原始数据进行分析。当期望参数与代价函数之间存在线性关系，并且关于最佳拟合线的残差期望为正态分布时，请使用线性分析。当样本数量较多，因此残差点数量较大时，也建议采用线性分析。

排名分析，也称为斯皮尔曼分析和排名转换—使用数据的等级进行分析。当期望参数与代价函数之间存在非线性单调关系，且关于最佳拟合线的残差非正态分布时，使用排序分析。当样本数量较多时，也建议进行排序分析，这样残差点的数量较少。

线性分析保留了数据值之间的间隔信息，而排名分析则没有。假设你有以下数据集:

x₁	x₂	y
9	20.	340
5	60	106
2．3	50.4	870.5

在这里x₁而且x₂是模型参数，和y是代价函数。每一行代表一个样本和相关的成本函数评估。

数据以每列为基础进行排名。例如，当对列1中的数据进行排序时(x₁)，其中包含条目9、5和2.3，则排序数据为3,2和1。样本的排序数据集x₁，x₂而且y分别如下:

x₁	x₂	y
3.	1	2
2	3.	1
1	2	3.

排序后的数据集可用于相关、偏相关或标准化回归分析。

计算了Kendall - Kendall的tau秩相关系数。
适用于分析方法为相关性时。需要统计和机器学习工具箱™软件。

偏相关法

计算偏相关系数，R．这种方法需要统计和机器学习工具箱软件。使用这种方法来分析模型参数和成本函数是如何相关的，调整以消除其他参数的影响。

R计算时使用partialcorri(统计和机器学习工具箱)从统计和机器学习工具箱软件。

标准化回归法

计算标准化回归系数，R．当您期望模型参数线性影响成本函数时，请使用此方法。

R计算公式如下:

$R ＝ b_{x} \frac{σ_{x}}{σ_{y}}$

考虑单个样本(x₁、……xNp)和对应的单个输出，y．b_x回归系数向量是用最小二乘假设线性模型计算的吗 $\overset{＾}{y} ＝ b_{0} + \sum_{我＝ 1}^{N p} {\overset{＾}{b}}_{x_{我}} x_{我}$ ．R标准化的每一个元素b_x用它乘以相应的标准差之比x样品(σ_x的标准差y（σ_y）.