ssregestOptions

选项设置ssregest

折叠整个页面

语法

选择= ssregestOptions

选项= ssregestOptions(名称、值)

描述

例子

选项= ssregestOptions创建一个默认选项集ssregest．

例子

选项= ssregestOptions (名称,值）使用一个或多个指定附加选项名称,值对参数。

例子

全部折叠

使用正则化ARX模型的简化创建状态空间估计的默认选项集

打开生活的脚本

选择= ssregestOptions;

使用正则化ARX模型的简化指定状态空间估计选项

打开生活的脚本

创建一个选项集ssregest将初始状态的值固定为“零”．同时,设置显示来“上”．

选择= ssregestOptions (“InitialState”，“零”，“显示”，“上”）;

或者，使用点表示法设置选择．

选择= ssregestOptions;opt.InitialState =“零”；opt.Display =“上”；

输入参数

全部折叠

名称-值对的观点

指定可选的用逗号分隔的对名称,值参数。的名字参数是name和价值为对应值。的名字必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家．

例子:选择= ssregestOptions(“InitialState”、“零”)将初始状态的值固定为零。

`“InitialState”`- - - - - -初始状态处理
`“估计”`(默认)|`“零”`

估计过程中初始状态的处理，指定为以下值之一:

“零”—初始状态设置为零。
“估计”—将初始状态作为独立的估计参数。

`“ARXOrder”`- - - - - -ARX模型的订单
`“汽车”`(默认)|非负整数矩阵

ARX模型顺序，指定为一个非负整数矩阵(na nb nk)．的马克斯(ARXOrder) + 1必须大于期望的状态空间模型顺序(状态的数量)。如果指定了一个值，建议使用较大的值注秩序。要了解更多关于ARX模型订单的信息，请参见arx．

`“RegularizationKernel”`- - - - - -正则化内核
`“TC”`(默认)|`“本身”`|`“党卫军”`|`“高频”`|`“迪”`|`“直流”`

正则化内核，用于对底层ARX模型进行正则化估计，指定为以下值之一:

“TC”-调整和相关的内核
“本身”-平方指数核
“党卫军”-稳定样条核
“高频”-高频稳定样条核
“迪”——对角线内核
“直流”-对角相关核

有关更多信息，请参见［1］．

`“还原”`- - - - - -减少模型订单的选项
结构

模型订单减少的选项，指定为具有以下字段的结构:

StateElimMethod

消去法。指明如何消除弱耦合状态(具有最小Hankel奇异值的状态)。指定为以下值之一:

`“MatchDC”`	放弃指定的状态并改变剩余的状态以保持DC增益。
`“截断”`	丢弃指定的状态，而不改变其余的状态。这种方法倾向于在频域产生一个更好的近似，但直流增益不能保证匹配。

默认值:“截断”

AbsTol, RelTol
稳定/不稳定分解的绝对和相对误差容限。积极的标量值。对于输入模型G与不稳定的两极,的约简算法ssregest首先通过计算稳定/不稳定分解得到稳定动力学G→GS+顾．的AbsTol和RelTol容差通过确保频率响应来控制这种分解的准确性G和GS+顾相差不过如此AbsTol+RelTol* abs (G)．增加这些公差有助于区分附近的稳定模式和不稳定模式，但以牺牲精度为代价。看到stabsep(控制系统工具箱)为更多的信息。
默认值:AbsTol = 0;RelTol = 1 e-8
抵消
稳定/不稳定边界的偏移量。积极的标量值。在稳定/不稳定分解中，稳定项只包含满足的极点
- Re(s) < -Offset * max(1，|Im(s)|)(持续时间)
- |z| < 1 -偏移量(离散时间)
增加…的价值抵消将接近稳定边界的极点视为不稳定的。
默认值:1 e-8

`“焦点”`- - - - - -最小误差
`“预测”`(默认)|`“模拟”`

估计过程中损失函数中最小的误差，用逗号分隔的对表示“焦点”和下列值之一:

“预测”-在估计过程中，将测量结果与预测结果之间的超前一步预测误差降至最小。因此，估计的重点是生成一个好的预测器模型。
“模拟”-在估计过程中，将被测输出与模拟输出之间的仿真误差降至最小。因此，估计的重点是使模型响应与当前输入的模拟有良好的拟合。

的焦点选项可以解释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．

`“WeightingFilter”`- - - - - -加权预滤器
`［］`(默认)|向量|矩阵|单元阵列|线性系统

在估计过程中，对损失函数进行加权预滤波以使其最小化。了解…的影响WeightingFilter关于损失函数，参见损失函数和模型质量度量．

指定WeightingFilter作为以下值之一:

［］—不使用加权预过滤器。
通频带——指定包含定义所需通频带的频率值的行向量或矩阵。您可以选择一个频带，使估计模型和估计数据之间的匹配得到优化。例如,(王,wh)在哪里王和wh表示通带的上下限。对于一个由数行定义频率通频带的矩阵，[w1l, w1h; w2l w2h; w3l, w3h;……)，估计算法利用频率范围的并集来定义估计通带。
通带用rad / TimeUnit对于时域数据和FrequencyUnit对于频域数据，其中TimeUnit和FrequencyUnit为估计数据的时间和频率单位。
单输入单输出(SISO)滤波器—指定一个单输入单输出(SISO)线性滤波器，方法如下:
- 一个SISO LTI模型
- {A, B, C, D}格式，它指定与估计数据采样时间相同的滤波器的状态空间矩阵。
- {分子,分母}格式，它指定滤波器的分子和分母作为传递函数，其采样时间与估计数据相同。
  这个选项计算加权函数作为滤波器和输入频谱的乘积来估计传递函数。
加权向量-仅适用于频域数据。指定权重的列向量。这个矢量必须和数据集的频率矢量长度相同，数据。频率．数据中的每个输入和输出响应乘以该频率的相应权重。

`“EstimateCovariance”`- - - - - -控制是否生成参数协方差数据
`真正的`(默认)|`假`

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,然后用getcov从估计模型中提取协方差矩阵。

`“显示”`- - - - - -指定是否显示评估进度
`“关闭”`(默认)|`“上”`

指定是否显示评估进度，指定为以下值之一:

“上”-模型结构和估计结果的信息显示在进度查看窗口。
“关闭”—不显示进度和结果信息。

`“InputOffset”`- - - - - -在估计过程中从时域输入数据中去除偏移
`［］`(默认)|正整数向量|矩阵

在估计时从时域输入数据中去除偏移量，指定为由“InputOffset”以及以下其中之一:

长度为正整数的列向量ν,在那里ν是输入的数量。
［］—无偏移量。
ν——- - - - - -不矩阵-对于多个实验数据，指定InputOffset作为一个ν——- - - - - -不矩阵。ν输入的个数，和不为实验次数。

每一项InputOffset从相应的输入数据中减去。

`“OutputOffset”`- - - - - -在估计过程中从时域输出数据中去除偏移
`［］`(默认)|向量|矩阵

在估计时从时域输出数据中去除偏移量，指定为由“OutputOffset”以及以下其中之一:

长度的列向量纽约,在那里纽约是输出的个数。
［］—无偏移量。
纽约——- - - - - -不矩阵-对于多个实验数据，指定OutputOffset作为一个纽约——- - - - - -不矩阵。纽约是输出的个数，和不为实验次数。

每一项OutputOffset从相应的输出数据中减去。

`“OutputWeight”`- - - - - -多输出估计中预测误差的权重
`［］`(默认)|正半定，对称矩阵

多输出估计中预测误差的权重，设为以下值之一:

半正定对称矩阵(W)．该软件使加权预测误差矩阵的轨迹最小化跟踪(E”* E * W / N)地点:
- E是预测误差的矩阵，每个输出有一列，和W为正半定，大小等于输出个数的对称矩阵。使用W指定多输出模型中输出的相对重要性，或相应数据的可靠性。
- N为数据样本个数。
［］-不使用称重。指定为［］就等于眼睛(纽约),在那里纽约是输出的个数。

此选项仅适用于多输出模型。

`“高级”`- - - - - -高级评估选项
结构

正则化估计的高级选项，指定为具有以下字段的结构:

最大尺寸-估计过程中形成的雅可比矩阵的最大允许大小，指定为较大的正数。
默认值:250年e3
SearchMethod—估计正则化参数的搜索方法，指定为以下值之一:
- “gn”:准牛顿直线搜索。
- “fmincon”:信任区域反射约束最小化。一般来说,“fmincon”比“gn”用于处理在估计过程中自动施加的正则化参数的边界。
默认值:“fmincon”