在线估计是什么?
在线评估算法估计模型的参数和状态,当新数据可用物理系统的操作。系统辨识工具箱™软件使用线性扩展,和无味卡尔曼滤波,或者在线状态估计的粒子滤波算法。工具箱使用递归预测误差最小化算法在线参数估计。
考虑一个加热和冷却系统,没有之前的信息环境在其运作。假设这个系统必须达到一定温度加热或降温一个房间在给定的时间。实现其目标,系统必须获取知识的房间的温度和绝缘特性。你可以估计房间的绝缘特性,而系统在线(操作)。对于这个估计,使用这个系统的努力作为输入和室温作为输出。您可以使用估计模型来改善系统行为。在线估计是理想的估计小偏差系统的参数值在一个已知的操作点。
常见的在线估计的应用包括:
自适应控制,估计植物模型修改控制器基于工厂模式的变化。
在线故障检测,比较了植物与理想化的模型或参考植物模型来检测错误(异常)。
软传感,生成一个“测量”基于估计植物模型,并使用这个测量反馈控制或故障检测。
验证实验数据质量的离线评估开始前——在使用离线测量数据估计之前,执行在线估计几个迭代。在线估计提供了一个快速检查是否使用的实验激发信号捕获相关的系统动力学。
在线参数估计
在线参数估计通常是使用递归算法的执行。一次一步,估计参数值递归算法使用电流测量和以前的参数估计。因此,递归算法是高效的内存使用。同时,递归算法有较小的计算要求。效率使他们适合网络和嵌入式应用程序。关于算法的更多信息,请参阅在线参数估计的递归算法。
在系统辨识工具箱可以执行在线参数估计模型金宝app®或在命令行:
在仿真金宝app软件,使用递归最小二乘估计量和递归的多项式模型估计块进行在线参数估计。你也可以估计从这些模型通过使用在线状态空间模型递归的多项式模型估计和模型类型转换器块在一起。你可以生成C / c++代码使用和结构化的文本块金宝app仿真软件编码器™和金宝app仿真软件PLC编码器™软件。
在命令行中,使用
recursiveAR
,recursiveARMA
,recursiveARX
,recursiveARMAX
,recursiveOE
,recursiveBJ
,recursiveLS
为您的模型结构命令来估计模型参数。与模型估计不同,你可以改变的属性在在线估计金宝app递推估计算法。您可以生成代码和独立应用程序使用MATLAB®编码器和MATLAB编译器™软件。
当您执行在线参数估计模型或在命令行中,适用下列条件:金宝app
模型必须是离散时间线性或近线性参数随时间变化缓慢。
估计模型的结构必须固定在估计。
iddata
对象不支持在线参数估计。金宝app估计输出数据指定为一个真正的标量和输入数据作为真正的标量或矢量。
在线状态估计
您可以执行命令行和在线状态估计系统模型:金宝app
在仿真金宝app软件,使用卡尔曼滤波器,扩展卡尔曼滤波器,无味卡尔曼滤波或粒子滤波块执行在线离散时间线性和非线性系统的状态估计。您可以生成C / c++代码块使用金宝app仿真软件编码器软件。为卡尔曼滤波器块,您还可以生成结构化文本使用金宝app仿真软件PLC编码器软件。
在命令行中,使用
extendedKalmanFilter
,unscentedKalmanFilter
和particleFilter
命令来估计状态的离散时间非线性系统。这些命令实现离散时间扩展卡尔曼滤波器(EKF),无味卡尔曼滤波(UKF)和粒子滤波算法。关于算法的更多信息,请参阅扩展和无味卡尔曼滤波算法在线状态估计。您可以生成代码和独立应用程序使用MATLAB编码器和MATLAB编译器软件。
当您执行在线状态估计模型或在命令行中,适用下列条件:金宝app
必须离散时间系统。如果您正在使用卡尔曼滤波器块,系统也可以连续时间。
iddata
对象不支持在在线状态估计。金宝app估计输入-输出数据指定为真正的标量或矢量。
引用
[1]Ljung, L。为用户系统标识:理论。上台北:新世纪PTR, 1999年,页428 - 440。
[2]西门,D。最优状态估计:卡尔曼,H无穷,非线性方法。约翰•威利父子公司。2006。
另请参阅
功能
recursiveAR
|recursiveARMA
|recursiveARX
|recursiveARMAX
|recursiveOE
|recursiveBJ
|recursiveLS
|extendedKalmanFilter
|unscentedKalmanFilter
|particleFilter