创建系统对象ARX模型的在线参数估计
obj = recursiveARX
obj = recursiveARX(订单)
obj = recursiveARX(订单、A0 B0)
obj = recursiveARX (___、名称、值)
使用recursiveARX
命令参数估计的实时数据。如果所有必要数据估计是可用的,你估计一个定常模型,使用离线估计命令,arx
。
创建一个系统对象™的在线参数估计违约ARX模型结构。订单1的默认模型结构具有多项式和初始多项式系数值obj
= recursiveARX每股收益
。
在创建对象时,使用一步
命令来更新模型参数估计使用递归估计算法和实时数据。
指定了多项式订单ARX模型的估计。obj
= recursiveARX (订单
)
指定了多项式订单和初始值的多项式系数。obj
= recursiveARX (订单
,A0,
)
指定附加属性ARX模型的结构和递归估计算法使用一个或多个obj
= recursiveARX (___,名称,值
)名称,值
对参数。
recursiveARX
创建一个系统对象的在线参数估计对于单输入(输出)或对于多变量(味噌)ARX模型使用递归估计算法。
一个系统对象是一个专门的MATLAB®专门为对象实现和模拟动态系统随时间变化的输入。系统对象使用内部状态存储过去的行为,这是用于下一个计算步骤。
在您创建一个系统对象,您可以使用命令来处理数据或获取信息或对象。系统对象使用至少两个命令来处理数据,构造函数创建对象和一步
使用实时数据命令更新对象参数。这种分离的宣言执行允许您创建多个,持久,可重用的对象,每个都有不同的设置。
您可以使用以下命令的在线估计系统在系统辨识工具箱™对象:
命令 | 描述 |
---|---|
一步 |
更新模型参数估计使用递归估计算法和实时数据。
|
释放 |
解锁系统对象。使用此命令来启用nontunable模型参数的设定。 |
重置 |
锁定系统对象的内部状态重置为初始值,并且把对象锁。 |
克隆 |
创建另一个系统对象相同的对象属性值。 不使用语法创建额外的对象 |
isLocked |
查询锁定状态输入属性和nontunable系统对象的属性。 |
使用recursiveARX
命令来创建一个在线估计系统对象。然后估计ARX模型参数(一个
和B
)和输出使用一步
命令的输入和输出数据,u
和y
。
[A, B, EstimatedOutput] = (obj, y, u)步
为recursiveARX
对象属性,看属性。
recursiveARX
系统对象属性由只读和可写属性。可写属性是可调,nontunable属性。nontunable属性无法改变时,对象是锁着的,也就是说,当你使用一步
命令。
使用名称,值
参数指定的可写属性recursiveARX
在对象创建对象。对象创建后,使用点符号修改可调特性。
obj = recursiveARX;obj。为gettingFactor = 0.99;
|
估计系数多项式一个(问),返回一个行向量的值中指定的顺序升序的权力问1。
|
|
估计系数多项式B(问),作为一个返回ν——- - - - - - 的我th排
|
|
初始值的多项式的系数一个(问)的顺序 如果最初的猜测比默认小得多
默认值: |
|
初始值的多项式的系数B(问),指定为一个ν——- - - - - - 味噌模型,有很多B(问)多项式作为输入的数量。的我th排 如果最初的猜测比默认小得多
默认值: |
|
初始值的测量输出缓冲区finite-history估计,指定为 的 当 如果最初的缓冲区设置为 指定
默认值: |
|
初始值的输入在有限的历史窗口中,指定为 的 当 如果最初的缓冲区设置为 指定
默认值: |
|
估计的协方差
的解释
|
|
初始参数的协方差估计,指定为以下之一:
只使用当
默认值: |
|
递推估计算法用于在线估计模型参数,指定为以下值之一:
遗忘因子和卡尔曼滤波算法计算量比梯度和非规范梯度方法。然而,他们有更好的收敛特性。这些算法的信息,请参阅在线参数估计的递归算法。 这些方法都使用一个无限数据历史,只有当可用
默认值: |
|
遗忘因子,λ相关的参数估计,指定为一个标量范围(0,1)。 假设体系仍近似恒定T0样本。你可以选择λ这样:
典型的选择λ在范围内 只使用当
默认值: |
|
启用或禁用参数估计,指定为以下之一:
默认值: |
|
浮点精度参数,指定为以下值之一:
设置
默认值: |
|
协方差矩阵的参数变化,指定为以下之一:
N参数的数量是估计的。
卡尔曼滤波算法对参数作为一个动态系统的状态和使用卡尔曼滤波器估计这些参数。
默认值: |
|
适应增益,γ递归估计,用于梯度算法,指定为一个积极的标量。
指定一个较大的值
默认值: |
|
偏见在适应增益扩展中使用
归一化梯度算法把适应获得每一步的广场two-norm梯度向量。如果梯度接近于零,这可能会导致跳跃的估计参数。
默认值: |
|
历史数据类型定义您使用哪种类型的递归算法,指定为:
算法与无限的历史目标参数估计解释开始以来的所有数据仿真。这些算法仍在使用一个固定数量的内存,不随着时间的推移而增长。对象提供的多个算法 算法与有限的历史目标参数估计,解释过去只有有限数量的数据样本。这种方法也被称为滑动窗口估计。的对象提供了一个算法 关于递归估计方法的更多信息,请参阅在线参数估计的递归算法。
默认值: |
|
窗口大小确定样本数量的时间使用滑动窗口的估算方法,指定为一个正整数。指定 选择平衡的窗口大小估计性能计算和内存负担。分级因素包括数量和时间在您的模型中参数的方差。总是指定窗口长度在样品,即使您使用的是框架的输入处理。
合适的窗口长度是否使用纸浆包或独立的框架(见输入处理
默认值: |
|
选择或输入不定位处理纸浆包,指定为一个字符或字符串向量。
你的 [θ,EstimatedOutput] = (obj, y, u)步
默认值: |
从R2016b开始,而不是使用一步
命令来更新模型参数估计,你可以叫输入参数的系统对象,就好像它是一个函数。例如,[A, B, EstimatedOutput] = (obj, y, u)步
和[A, B, EstimatedOutput] = obj (y, u)
执行相同操作。
arx
|克隆
|isLocked
|递归的多项式模型估计|recursiveAR
|recursiveARMA
|recursiveARMAX
|recursiveBJ
|recursiveLS
|recursiveOE
|释放
|重置
|一步