非参数脉冲响应估计gydF4y2Ba
估计一个脉冲响应模型gydF4y2BasysgydF4y2Ba
=冲动(gydF4y2Ba数据gydF4y2Ba
)gydF4y2BasysgydF4y2Ba
,也称为有限脉冲响应(FIR)模型,使用时域或频域数据gydF4y2Ba数据gydF4y2Ba
.该函数使用对输入数据的持续激励分析来选择模型阶数(非零脉冲响应系数的个数)。gydF4y2Ba
使用非参数脉冲响应估计来分析输入/输出数据的反馈效应、延迟和重要的时间常数。gydF4y2Ba
估计一个gydF4y2BasysgydF4y2Ba
=冲动(gydF4y2Ba数据gydF4y2Ba
,gydF4y2BangydF4y2Ba
)gydF4y2BangydF4y2Ba
对应于时间范围的th阶脉冲响应模型gydF4y2Ba0: Ts: (n - 1) * TsgydF4y2Ba
,在那里gydF4y2BaTsgydF4y2Ba
为数据采样时间。gydF4y2Ba
指定传输延迟为gydF4y2BasysgydF4y2Ba
=冲动(gydF4y2Ba数据gydF4y2Ba
,gydF4y2BangydF4y2Ba
,gydF4y2BankgydF4y2Ba
)gydF4y2BankgydF4y2Ba
估计脉冲响应中的样本。gydF4y2Ba
使用选项集指定评估选项gydF4y2BasysgydF4y2Ba
=冲动(gydF4y2Ba___gydF4y2Ba,gydF4y2Ba选择gydF4y2Ba
)gydF4y2Ba选择gydF4y2Ba
.您可以将此语法用于前面的任何输入参数组合。gydF4y2Ba
的脉冲或阶跃响应gydF4y2BasysgydF4y2Ba
,使用gydF4y2BaimpulseplotgydF4y2Ba
或gydF4y2BastepplotgydF4y2Ba
,分别。gydF4y2Ba
对应于负时间值的响应值,并且在脉冲响应中显著不同于零gydF4y2BasysgydF4y2Ba
指示数据中存在反馈。gydF4y2Ba
若要查看图中与零没有显著差异的响应区域(零响应区域),请右键单击图并选择gydF4y2Ba特征gydF4y2Ba>gydF4y2Ba置信区域gydF4y2Ba.图上出现了一个描述零响应区域的补丁。任何时间值的脉冲响应只有在零响应区域之外才有意义。显著性的置信水平取决于中规定的标准偏差数gydF4y2BashowConfidencegydF4y2Ba
或属性编辑器中的选项。默认值为1个标准差,即68%的置信度。一个常见的选择是3个标准差,也就是99.7%的置信度。gydF4y2Ba
相关分析gydF4y2Ba指的是估计线性模型的脉冲响应的方法,没有对模型阶数的具体假设。gydF4y2Ba
脉冲响应,gydF4y2BaggydF4y2Ba,为输入为脉冲信号时的系统输出。输出对一般输入的响应,gydF4y2BaugydF4y2Ba(gydF4y2BatgydF4y2Ba),为与脉冲响应的卷积。连续时间内:gydF4y2Ba
在离散时间中:gydF4y2Ba
的价值gydF4y2BaggydF4y2Ba(gydF4y2BakgydF4y2Ba)是gydF4y2Ba离散时间脉冲响应系数gydF4y2Ba.gydF4y2Ba
您可以用几种不同的方法估计观察到的输入/输出数据的值。gydF4y2Ba冲动gydF4y2Ba
估计第一个gydF4y2BangydF4y2Ba系数采用最小二乘法得到有限脉冲响应(FIR)阶模型gydF4y2BangydF4y2Ba.gydF4y2Ba
冲动gydF4y2Ba
提供了几个重要的评估选项:gydF4y2Ba
正则化gydF4y2Ba-正则化最小二乘估计。通过正则化,算法形成先验衰减和相互关联的估计gydF4y2BaggydF4y2Ba(gydF4y2BakgydF4y2Ba),然后将此先前估计与有关的当前信息合并gydF4y2BaggydF4y2Ba从观察到的数据。这种方法产生的估计值方差较小,但也有一些偏差。您可以从几个内核中选择一个来编码先前的估计。gydF4y2Ba
这个选项是必要的,因为模型顺序gydF4y2BangydF4y2Ba
通常会很大。如果没有正则化,gydF4y2BangydF4y2Ba
可以自动减少,以确保一个合理的方差。gydF4y2Ba
属性指定正则化内核gydF4y2BaRegularizationKernelgydF4y2Ba
的名称-值参数gydF4y2BaimpulseestOptionsgydF4y2Ba
.gydF4y2Ba
PrewhiteninggydF4y2Ba-通过应用顺序的输入美白过滤器预美白输入gydF4y2BaPWgydF4y2Ba
对数据。在执行非正则估计时使用预美白。使用预美白过滤器可最大限度地减少被忽视的尾巴的影响gydF4y2BakgydF4y2Ba
>gydF4y2BangydF4y2Ba
-的脉冲响应。为实现预美白,算法为:gydF4y2Ba
定义一个筛选器gydF4y2Ba一个gydF4y2Ba
的订单gydF4y2BaPWgydF4y2Ba
这会使输入信号变白gydF4y2BaugydF4y2Ba
:gydF4y2Ba
1/A = A(u)egydF4y2Ba
,在那里gydF4y2Ba一个gydF4y2Ba
是一个多项式gydF4y2BaegydF4y2Ba
就是白噪音。gydF4y2Ba
对输入和输出进行过滤gydF4y2Ba一个gydF4y2Ba
:gydF4y2Ba
uf = AugydF4y2Ba
,gydF4y2Bayf = AygydF4y2Ba
使用过滤后的信号gydF4y2Ba佛罗里达大学gydF4y2Ba
而且gydF4y2BayfgydF4y2Ba
估计。gydF4y2Ba
属性指定预美白gydF4y2BaPWgydF4y2Ba
的名称-值对参数gydF4y2BaimpulseestOptionsgydF4y2Ba
.gydF4y2Ba
自回归参数gydF4y2Ba-补充基本的FIR模型gydF4y2BaNAgydF4y2Ba自回归参数,使其成为ARX模型。gydF4y2Ba
这两个选项都为小成本提供了更好的结果gydF4y2BangydF4y2Ba值和允许无偏估计时,数据产生在闭环。gydF4y2Ba冲动gydF4y2Ba
集gydF4y2BaNAgydF4y2Ba来gydF4y2Ba5gydF4y2Ba
当gydF4y2BaT > 0gydF4y2Ba并设置gydF4y2BaNAgydF4y2Ba来gydF4y2Ba0gydF4y2Ba
(无自回归分量)当gydF4y2BaT < 0gydF4y2Ba.gydF4y2Ba
没有影响gydF4y2Ba-包括对负滞后的响应。如果评估数据包含输出反馈,则使用此选项:gydF4y2Ba
在哪里gydF4y2BahgydF4y2Ba(gydF4y2BakgydF4y2Ba)为调节器的脉冲响应gydF4y2BargydF4y2Ba是一个设定值或扰动项。该算法处理了这种反馈的存在性和特征gydF4y2BahgydF4y2Ba,及估算gydF4y2BahgydF4y2Ba以同样的方式gydF4y2BaggydF4y2Ba通过简单地交换位置gydF4y2BaygydF4y2Ba而且gydF4y2BaugydF4y2Ba在估计调用中。使用gydF4y2Ba冲动gydF4y2Ba
由于有消极延迟的迹象,gydF4y2BaMi =冲量(数据,nk,nb)gydF4y2Ba
,在那里gydF4y2BankgydF4y2Ba
< 0,返回一个模型gydF4y2Ba心肌梗死gydF4y2Ba
有一个脉冲响应gydF4y2Ba
它有一个与滞后相对应的对齐gydF4y2Ba
.该算法实现这种对齐是因为输入延迟(gydF4y2BaInputDelaygydF4y2Ba
)模型gydF4y2Ba心肌梗死gydF4y2Ba
是gydF4y2BankgydF4y2Ba
.gydF4y2Ba
对于多输入多输出系统,脉冲响应gydF4y2BaggydF4y2Ba(gydF4y2BakgydF4y2Ba)是一个gydF4y2Ba纽约gydF4y2Ba——- - - - - -gydF4y2BaνgydF4y2Ba矩阵,gydF4y2Ba纽约gydF4y2Ba输出的数量和gydF4y2BaνgydF4y2Ba是输入的数量。的gydF4y2Ba我gydF4y2Ba- - - - - -gydF4y2BajgydF4y2Ba矩阵的元素gydF4y2BaggydF4y2Ba(gydF4y2BakgydF4y2Ba)描述的行为gydF4y2Ba我gydF4y2Ba脉冲后的输出gydF4y2BajgydF4y2Ba输入。gydF4y2Ba
impulseestOptionsgydF4y2Ba
|gydF4y2Ba冲动gydF4y2Ba
|gydF4y2BaimpulseplotgydF4y2Ba
|gydF4y2BaidtfgydF4y2Ba
|gydF4y2Ba一步gydF4y2Ba
|gydF4y2BacragydF4y2Ba
|gydF4y2Ba水疗中心gydF4y2Ba