用乘法误差法近似对象模型

在大多数情况下，乘法误差模型约简法bstmr倾向于在感兴趣的频率范围内限制原始和降阶模型之间的相对误差，从而产生比加性误差方法更准确的降阶模型。这一特性在具有低阻尼极点的系统模型中很明显。

下面的命令说明了乘法误差模型减少方法与任何加法误差类型相比的重要性。显然，采用相位匹配算法bstmr在波德图中提供了更好的匹配。

rng (123456);G = rss(30、1、1);%随机30状态模型[gr,有限公司]=减少(G,“算法”,“平衡”,“秩序”7);(gs,信息]=减少(G,“算法”,“英国”,“秩序”7);图(1)波德(G,“b -”、gr、“r——”)标题(“附加误差法”)传说(“原始”,“减少”)

图(2)波德(G,“b -”、gs、“r——”)标题(的相对误差的方法)传说(“原始”,“减少”)

因此，对于一些具有低阻尼极点或零阻尼的系统，平衡随机方法(bstmr)在这些频率范围内产生更好的降阶模型，使乘性误差变小。而加法误差方法，如balancmr,schurmr,或hankelmr他们只关心最小化总体的“绝对”峰值误差，就可以产生一个忽略那些低阻尼极点/零频率区域的降阶模型。

另请参阅

balancmr|bstmr|hankelmr|schurmr

相关的话题

• 模型降阶技术
• 用加性误差法近似植物模型