从Simulink模型获取模拟数据万博1manbetx

考虑以下Simulink模型所描述的系统：万博1manbetx

Open_System（'iddemsl1')设置参数('iddemsl1 /随机数','种子','0')

红色部分为系统，蓝色部分为控制器，参考信号为扫频正弦信号（啁啾信号）。数据采样时间设置为0.5秒。

这个系统可以用Idpoly.结构：

m0 = iDpoly（1,0.1,1,1，[1 0.5]，“t”，0，“输入延迟”，1，'noisevariance'，0.01）

让我们模拟这个模型iddemsl1并将数据保存在iddata.目的：

模拟('iddemsl1')dat1e=iddata（y，u，0.5）；％iddata对象

为了验证，让我们对模式进行第二次模拟。

set_param（'iddemsl1 /随机数','种子','13')模拟('iddemsl1'）DAT1V = IDDATA（Y，U，0.5）;

让我们看一下在第一次模拟期间获得的估算数据：

情节（DAT1E）

利用仿真数据估计离散模型

让我们首先评估默认订单离散模型，以获得一些初步了解数据特征：

m1=n4sid（dat1e，“最好的”)％默认订单模型

检查模型复制验证数据的效果

比较（dat1v，m1）

正如所观察到的，该模型对验证数据进行了很好的预测。为了更深入地研究数据特征，让我们检查使用dat1e.如果自动确定分析的负滞后：

ImpModel = Impulseest（DAT1E，[]，'消极的')clf h=脉冲批（IMP模型）；显示置信度（h，3）

ImpModel是自动确定其顺序（无关）的FIR模型。我们还选择通过计算负延迟的脉冲响应来分析反馈效果。负滞后的影响并不是全部微不足道。这是由于调节器（输出反馈）。这意味着不能使用脉冲响应估计来确定时间延迟。相反，构建具有不同延迟的几个低阶ARX模型，并找出最适合：

v = ARXSTRUC（DAT1E，DAT1V，Struc（1：2,1：2,1：10））;nn = selstruc（v，0）％延迟是NN的第三个元素

延迟被确定为3个延迟。（这是正确的：1秒的死区时间给出两个延迟，ZOH阻塞另一个延迟。）也可以计算相应的ARX模型，如下所示：

m2=arx（dat1e，nn）比较（dat1v，m1，m2）；

改进估计

这两种模型M1和M2在模拟中的行为类似。现在让我们尝试微调顺序和延迟。将延迟固定为2（加上缺少馈通，会产生3个样本的净延迟），并找到具有该延迟的默认顺序状态空间模型：

m3 = n4sid (dat1e,“最好的”,“输入延迟”2，'喂养'、假);%精确的预测误差最小化使用pem(也可以使用% |学生|)M3 = PEM（DAT1E，M3）;

看看估计的系统矩阵

m3.a%结果模型的A矩阵

自动选择三阶动态，其中与2个“额外”延迟一起提供第5阶规模空间模型。

始终建议不要盲目依赖自动顺序选择。它们受到随机错误的影响。一个好方法是查看模型的零点和极点以及置信区域：

clf h = iopzplot（m3）;展示（H，2）%2个标准差对应的置信域

显然，单位圆上的两个极点/零点似乎相互抵消，这表明一阶动力学可能就足够了。利用这一信息，让我们做一个新的一阶估计：

m4=ssest（dat1e，1，'喂养'，错误的，“输入延迟”2，“t”，dat1e.ts）;比较（DAT1V，M4，M3，M1）

这个比较图中显示了简单的一阶模型M4对数据进行了很好的描述。因此，我们将选择此模型作为最终结果。

将离散模型转换为连续时间（LTI）

将该模型转换为连续时间，用传递函数形式表示:

MC = D2C（M4）;IDTF（MC）

如上所示，已经获得了对系统的良好描述。

直接估算连续时间模型

也可以直接估计连续时间模型。离散模型M4有2个样本输入延迟，代表1秒延迟SSEST.用于此估算的命令：

M5 = SSEST（DAT1E，1，'喂养'，错误的，“输入延迟”，1）;目前（M5）

不确定性分析

模型参数M5即使模型符合87%的数据，也表现出高度的不确定性。这是因为模型使用的参数超过绝对要求，导致参数估计失去唯一性。要查看模型中不确定性的真实影响，有两种可能的方法：

让使用两种方法。首先，我们以规范形式估计模型。

m5canon = ssest（dat1e，1，'喂养'，错误的，“输入延迟”，1，'形式',“规范的”）;目前（M5Canon）

m5canon.使用模型的标准参数化。它与模型一样适合估计数据M5。它显示了其参数值的小不确定性，从而证明了其可靠性。然而，正如我们所看到的M5，一个大的不确定性并不一定意味着“坏”模型。为了确定这些模型的质量，让我们使用对应于3个标准偏差的置信区的时间和频率域中的响应。我们还绘制了原始系统M0.作为比较。

波特阴谋。

CLF选择= BodeOptions;opt.freqscale =“线性”;h =围裙（M0，M5，M5CANON，OPT）;展览（H，3）传奇显示

步骤图。

CLF ShowConfidence（Stepplot（M0，M5，M5canon），3）传奇显示

这两个模型的不确定性范围几乎是相同的。我们可以类似地生成极零地图（Iopzplot.）和nyquist plot（奈奎斯特普洛特)具有这些模型的置信域。

idtf（m5）

连续时间估计中的狭义行为核对

在比较从采样数据计算的连续时间模型时，重要的是要考虑输入信号的采样间行为。在到目前为止的示例中，由于零阶保持（zoh），系统的输入是分段常数控制器中的电路。现在拆下此电路，并考虑一个真正连续的系统。输入和输出信号仍然以2 Hz的频率采样，其他一切都相同：

Open_System（'iddemsl3')模拟('iddemsl3'）dat2e = iddata（y，u，0.5）;

离散时间模型仍然可以很好地对这些数据进行良好，因为当它们调整到测量时，它们将包含采样属性，并且输入行为（用于当前输入）。但是，在构建连续时间模型时，了解帧群属性至关重要。首先为ZOH案例构建模型：

m6=ssest（dat2e，1，'喂养'，错误的，“输入延迟”，1，'形式',“规范的”）;IDTF（M6）

让我们比较一下估计的模型(M6)与真实模型相反(M0.）：

步骤（m6，m0）%与真实系统比较

协议现在不太好。但是，我们可以包括有关输入的数据对象信息。作为近似，可以将其描述为采样瞬间之间的分段线性（首级保持，FOH）。然后由估算器使用此信息进行适当的采样：

dat2e.样本间='foh';M7 = SSEST（DAT2E，1，'喂养'，错误的，“输入延迟”，1，'形式',“规范的”）;％新估计具有正确的帧群行为IDTF（M7）

让我们再次查看阶段响应比较：

步骤（m7，m0）%与真实系统比较

这个模型(M7)结果比以前好得多M6．这个例子到此结束。

bdclose('iddemsl1'); bdclose('iddemsl3'）;