Matlab ident
Páginas: 3 (520 palabras)
Publicado: 30 de abril de 2011
Uso de la interfaz de identificación del Matlab (ident)
A partir de la entrada y salida de un sistema se trata de estimar las fdt de la componente estocástica (H(q)) y determinista (G(q)).
Losdatos importados se separan en dos mitades. Una para identificar y otra para validar.
Estimación no paramétrica y de correlación:
Primero se hace un estudio en el dominio de la frecuencia. Sehacen dos estimaciones no paramétricas: Estimate->Spectral Model. Una con etfe y otra con Análisis Espectral (spa). La de Análisis Espectral saldrá más o menos fina según la ventana temporal quepongamos.
Ver 3 gráficas a la vez: Data Spectra de la entrada, Frequency resp y Noise Spectrum de la estimación etfe y la estimación spa.
El espectro del ruido sólo se puede ver con la estimación spa.El espectro de la salida es igual al del ruido más el cuadrado de la respuesta en frecuencia. Esto ya nos da una idea cómo son G(q) y H(q) (paso alto, paso bajo).
Para ver la respuestaimpulsional hacer un Correlation Model (crad). Permite ver el número de retardos de G(q).
Estimación paramétrica:
Estimate->Parametric Model.
Primero se hace una estimación ARX de G(q) de todos losordenes posibles. Se escoge el modelo de la columna roja o verde y se inserta en Ident. En teoría cuanto menos alta sea la columna mejor.
Para una primera comprobación de la validez de los modeloscompararlo con la respuesta impulsional.
La estimación que más explica la salida debería salir de orden elevado. Esto es que se ha sobreparametrizado. Dibujando los polos y ceros con susintervalos de confianza se puede comprobar si se anulan entre si. Si hay muchas anulaciones quiere decir que la G(q) real es de orden más pequeño.
Ahora se hacen estimaciones de orden pequeño ARX con elmétodo IV. Conviene hacer un barrido de los órdenes de A y B desde [4 4] hasta [1 1] y luego si hace falta cruzar los órdenes. Para cada estimación se presentan los parámetros en Matlab y se comprueba...
A partir de la entrada y salida de un sistema se trata de estimar las fdt de la componente estocástica (H(q)) y determinista (G(q)).
Losdatos importados se separan en dos mitades. Una para identificar y otra para validar.
Estimación no paramétrica y de correlación:
Primero se hace un estudio en el dominio de la frecuencia. Sehacen dos estimaciones no paramétricas: Estimate->Spectral Model. Una con etfe y otra con Análisis Espectral (spa). La de Análisis Espectral saldrá más o menos fina según la ventana temporal quepongamos.
Ver 3 gráficas a la vez: Data Spectra de la entrada, Frequency resp y Noise Spectrum de la estimación etfe y la estimación spa.
El espectro del ruido sólo se puede ver con la estimación spa.El espectro de la salida es igual al del ruido más el cuadrado de la respuesta en frecuencia. Esto ya nos da una idea cómo son G(q) y H(q) (paso alto, paso bajo).
Para ver la respuestaimpulsional hacer un Correlation Model (crad). Permite ver el número de retardos de G(q).
Estimación paramétrica:
Estimate->Parametric Model.
Primero se hace una estimación ARX de G(q) de todos losordenes posibles. Se escoge el modelo de la columna roja o verde y se inserta en Ident. En teoría cuanto menos alta sea la columna mejor.
Para una primera comprobación de la validez de los modeloscompararlo con la respuesta impulsional.
La estimación que más explica la salida debería salir de orden elevado. Esto es que se ha sobreparametrizado. Dibujando los polos y ceros con susintervalos de confianza se puede comprobar si se anulan entre si. Si hay muchas anulaciones quiere decir que la G(q) real es de orden más pequeño.
Ahora se hacen estimaciones de orden pequeño ARX con elmétodo IV. Conviene hacer un barrido de los órdenes de A y B desde [4 4] hasta [1 1] y luego si hace falta cruzar los órdenes. Para cada estimación se presentan los parámetros en Matlab y se comprueba...
Leer documento completo
Regístrate para leer el documento completo.