主要内容

polyestOptions

选项集聚

折叠所有页面

语法

opt =聚stoptions
opt =聚stoptions(名称，值)

描述

选择= polyestOptions的默认选项集聚．

选择= polyestOptions (名称,值）使用一个或多个指定的选项创建一个选项集名称,值对参数。

输入参数

全部折叠

名称-值对参数

的可选逗号分隔对名称,值参数。的名字参数名称和价值对应的值。的名字必须出现在引号内。您可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家．

在估计过程中对初始条件的处理，指定为以下值之一:

  • “零”—初始条件设置为零。

  • “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。

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．

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作为下列值之一:

  • ［］—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，在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)线性滤波器在以下方式之一:

    • 一个SISO LTI模型

    • {A, B, C, D}格式，它指定与估计数据具有相同采样时间的过滤器的状态空间矩阵。

    • {分子,分母}格式，该格式将过滤器的分子和分母指定为与估计数据具有相同采样时间的传递函数。

      该选项将加权函数作为滤波器和输入频谱的乘积来计算，以估计传递函数。

  • 加权向量-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，数据。频率．数据中的每个输入和输出响应都乘以相应频率的权重。

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．

此选项不适用于具有非对角线的多输出模型一个多项式数组。

数据类型:逻辑

控制是否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。

指定是否显示评估进度，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。

在估计期间从时域输入数据中去除偏移，指定为逗号分隔的对，由“InputOffset”和以下其中之一:

  • 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。

在估计期间从时域输出数据中去除偏移，指定为逗号分隔的对，由“OutputOffset”和以下其中之一:

  • 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。

模型参数正则化估计的选项。有关正则化的更多信息，请参见模型参数的正则化估计．

正则化是一个具有以下字段的结构:

  • λ-确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。

    默认值:0

  • R-加权矩阵。

    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np正数，这样每个条目都表示对相关参数值的置信度。

    默认值1表示值为眼睛(npfree),在那里npfree是自由参数的个数。

    默认值: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“模型”将参数拉向初始模型的参数值。这个设置的初始参数值必须是有限的。

    默认值:0

数值搜索方法用于迭代参数估计，指定为逗号分隔对组成“SearchMethod”和以下其中之一:

  • “汽车”-结合了直线搜索算法，“gn”，“lm”，“玲娜”,“研究生”方法在每次迭代中依次尝试。使用导致估计成本降低的第一个下降方向。

  • “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GnPinvConstant * eps *马克斯(大小(J)) *规范(J)在计算搜索方向时被丢弃。J是雅可比矩阵。黑森矩阵近似为JTJ．如果在这个方向上没有改进，则函数尝试梯度方向。

  • “玲娜”-自适应子空间高斯牛顿搜索。特征值小于γ*马克斯(sv)黑森人都被忽略了sv包含黑森的奇异值。高斯-牛顿方向在剩余子空间中计算。γ具有初始值InitialGnaTolerance(见先进的在“SearchOptions”以获取更多信息)。此值将按因子增加LMStep每次搜索都不能在少于五次的等分中找到较低的标准值。此值将按因子减小2 * LMStep每次搜索都是成功的，没有任何二分。

  • “lm”- Levenberg-Marquardt最小二乘搜索，下一个参数值为-pinv (H + d *我)*毕业生从上一个。H是黑森人我单位矩阵，和研究生是梯度。d是一个不断增加的数字，直到找到较低的标准值为止。

  • “研究生”-最速下降最小二乘搜索。

  • “lsqnonlin”的信任区域反射算法lsqnonlin(优化工具箱)．需要优化工具箱™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fmincon(优化工具箱)解算器。的“优化工具箱”软件，还可以使用内部点算法和活动集算法fmincon解算器。中指定算法SearchOptions。算法选择。的fmincon在以下情况下，算法可能会改善估计结果:

    • 模型参数有边界时的约束最小化问题。

    • 损失函数是参数的非线性或非光滑函数的模型结构。

    • 多输出模型估计。行列式损失函数对于多输出模型估计，默认情况下最小化。fmincon算法能够直接最小化这种损失函数。其他搜索方法如“lm”而且“gn”通过交替估计噪声方差和降低给定噪声方差值的损失值来最小化行列式损失函数。因此,fmincon算法可以为多输出模型估计提供更好的效率和准确性。

搜索算法的选项集，指定为逗号分隔的对，由“SearchOptions”和一个搜索选项集，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宽容，迭代停止。在下一次迭代中对期望损失函数改进的估计是基于为当前参数值计算的高斯牛顿向量。

 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MaxIterations达到或满足另一个停止标准，例如宽容．

设置MaxIterations = 0返回启动过程的结果。

使用sys.Report.Termination.Iterations要获得估算期间的实际迭代次数，其中sys是一个idtf模型。

 20.
先进的

高级搜索设置，指定为具有以下字段的结构:

字段名 描述 默认的
GnPinvConstant

雅可比矩阵奇异值阈值，指定为正标量。雅可比矩阵的奇异值小于GnPinvConstant *马克斯(大小(J) *规范(J) * eps)在计算搜索方向时被丢弃。适用时SearchMethod是“gn”．

 10000
InitialGnaTolerance

初始值γ，指定为正标量。适用时SearchMethod是“玲娜”．

 0.0001
LMStartValue

搜索方向长度的起始值d在Levenberg-Marquardt方法中，指定为正标量。适用时SearchMethod是“lm”．

 0.001
LMStep

Levenberg-Marquardt步长的大小，指定为正整数。搜索方向长度的下一个值d在Levenberg-Marquardt方法中是LMStep乘以前一个。适用时SearchMethod是“lm”．

 2
MaxBisections

沿搜索方向进行直线搜索时使用的最大等分数，指定为正整数。

 25
MaxFunctionEvaluations

对模型文件的最大调用次数，指定为正整数。如果对模型文件的调用数量超过这个值，迭代就会停止。

 正
MinParameterChange

每次迭代允许的最小参数更新，指定为非负标量。

 0
RelativeImprovement

相对改善阈值，指定为非负标量。如果准则函数的相对改进小于这个值，迭代就会停止。

 0
StepReduction

步长缩减因子，指定为大于1的正标量。建议的参数更新因因子而减少StepReduction每次尝试之后。这种减少持续到MaxBisections完成尝试或获得准则函数的较低值。

StepReduction不适用于SearchMethod“lm”(Levenberg-Marquardt方法)。

 2

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FunctionTolerance和的一样吗opt.SearchOptions.Advanced.TolFun．

 1 e-5
StepTolerance

估计参数值上的终止公差，指定为正标量。

的价值StepTolerance和的一样吗opt.SearchOptions.Advanced.TolX．

 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MaxIterations达到或满足另一个停止标准，例如FunctionTolerance．

的价值MaxIterations和的一样吗opt.SearchOptions.Advanced.MaxIter．

 20.
先进的

高级搜索设置，指定为的选项集lsqnonlin．

有关更多信息，请参见中的“优化选项”表优化选项(优化工具箱)．

 使用optimset(“lsqnonlin”)创建一个默认选项集。

SearchOptions结构时SearchMethod被指定为“fmincon”

字段名 描述 默认的
算法

fmincon优化算法，指定为下列之一:

  • “sqp”-顺序二次规划算法。该算法在所有迭代中都满足边界，并且可以从南或正结果。它不是一个大规模的算法。有关更多信息，请参见大规模和中等规模算法(优化工具箱)．

  • “trust-region-reflective”——基于内反射牛顿法的子空间信赖域方法。这是一个大规模的算法。

  • “内点”-需要优化工具箱软件的大规模算法。该算法在所有迭代中都满足边界，并且可以从南或正结果。

  • “激活集”-需要优化工具箱软件。该算法可以执行大步骤，从而提高速度。它不是一个大规模的算法。

有关算法的详细信息，请参见约束非线性优化算法(优化工具箱)而且算法选择(优化工具箱)．

 “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MaxIterations达到或满足另一个停止标准，例如FunctionTolerance．

 One hundred.

其他高级选项，指定为具有以下字段的结构:

  • ErrorThreshold—何时将较大误差的权重由二次调整为线性。

    误差大于ErrorThreshold乘以估计的标准差在损失函数中有一个线性权重。标准差稳健地估计为预测误差中位数的绝对偏差的中位数，除以0.7．有关健壮规范选择的更多信息，请参见第15.2节[２]．

    ErrorThreshold = 0禁用鲁棒化，导致纯二次损失函数。在频域数据估计时，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—输入输出数据分段时，每个分段的最大元素数。

    最大尺寸必须是正整数。

    默认值:250000

  • StabilityThreshold—稳定性测试的阈值。

    StabilityThreshold是一个具有以下字段的结构:

    • 年代-指定最右极点的位置，用于测试连续时间模型的稳定性。当一个模型的最右极在的左边时，它被认为是稳定的年代．

      默认值:0

    • z-所有极点到原点的最大距离，用于测试离散时间模型的稳定性。如果所有极点都在距离内，则认为模型是稳定的z从原点开始。

      默认值:1 +√(eps)

  • AutoInitThreshold-何时自动估计初始条件。

    初始条件是在何时估计的

    为 y p ， z − y 米 e 一个 年代 为 为 y p ， e − y 米 e 一个 年代 为 > AutoInitThreshold

    • 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InitialCondition是“汽车”．

    默认值:1.05

输出参数

全部折叠

选项集聚，作为polyestOptions选项设置。

例子

全部折叠

打开实时脚本 
opt =聚stoptions;
打开实时脚本

为创建一个选项集聚你加强模型稳定性并设置显示来“上”．

opt = polystoptions (“EnforceStability”,真的,“显示”，“上”）;

或者，使用点表示法来设置的值选择．

opt =聚stoptions;opt.EnforceStability = true;opt.Display =“上”；

兼容性的考虑

全部展开

参考文献

[1]威尔斯，艾德里安，B.宁尼斯和S.吉布森。多变量系统估计的基于梯度的搜索第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。

[2] Ljung, L。系统识别:用户的理论．上马鞍河，新泽西州:Prentice-Hall PTR, 1999。

另请参阅

主题

在R2012a中引入

系统识别工具箱文档

万博1manbetx

试试MATLAB、Sim万博1manbetxulink和其他产品s manbetx 845

现在就去审判吧