Заглавная страница Избранные статьи Случайная статья Познавательные статьи Новые добавления Обратная связь КАТЕГОРИИ: АрхеологияБиология Генетика География Информатика История Логика Маркетинг Математика Менеджмент Механика Педагогика Религия Социология Технологии Физика Философия Финансы Химия Экология ТОП 10 на сайте Приготовление дезинфицирующих растворов различной концентрацииТехника нижней прямой подачи мяча. Франко-прусская война (причины и последствия) Организация работы процедурного кабинета Смысловое и механическое запоминание, их место и роль в усвоении знаний Коммуникативные барьеры и пути их преодоления Обработка изделий медицинского назначения многократного применения Образцы текста публицистического стиля Четыре типа изменения баланса Задачи с ответами для Всероссийской олимпиады по праву Мы поможем в написании ваших работ! ЗНАЕТЕ ЛИ ВЫ?
Влияние общества на человека
Приготовление дезинфицирующих растворов различной концентрации Практические работы по географии для 6 класса Организация работы процедурного кабинета Изменения в неживой природе осенью Уборка процедурного кабинета Сольфеджио. Все правила по сольфеджио Балочные системы. Определение реакций опор и моментов защемления |
Аппроксимация в среде пакета Matlab c использованием инструментария Curve Fitting Toolbox
Curve Fitting Toolbox-это пакет расширения Matlab для различных прикладных задач подгонки. Аппроксимации и интерполяции данных. Включает в себя интерактивные средства предварительной обработки данных, сравнения стандартных моделей и разработки моделей пользователя, подгонки с помощью стандартных и робастных методов и анализа качества аппроксимации. Особенности данного инструментария: -графический интерфейс для создания моделей кривых и поверхностей; -линейная и нелинейная регрессия на основе пользовательских уравнений; -библиотека регрессионных моделей с оптимизированными начальными условиями и параметрами решателя; -методы интерполяции, включая В-сплайны, сплайны на основе тензорного произведения и thinplate-сплайны; -методы сглаживания, включая сглаживающие сплайны, локальную регрессию, фильтры Савицкого-Голея и скользящее среднее; -процедура предварительной обработки, в том числе удаление выбросов, секционирование, масштабирование и умножение на весовые коэффициенты; -процедура переработки, включая интерполяцию, экстраполяцию, доверительные интервалы, интегралы и производные. В качестве рабочей модели берем ту же модель, которая использовалась при идентификации. Мы снова переходим на панель Workspace и вводим команду «cftool», после чего переходим в открывавшееся окно: Рис.8.Окно инструментария пакета Curve Fitting Toolbox. В строке Interpolant ставим Custom Equation. В «X date» ставим tout, в «Y data» ставим y1.В графе Method ставим экспоненциальную зависимость, получаем следующее уравнение a-b*exp(-c*x) и «подгоняем» его под нашу зависимость. Т.о. получаем следующее: f(x) = а*exp(-b*x)+c Рис.9.Результаты аппроксимации Curve Fitting Toolbox. Используя формулы, получаемые константы: a=13 b=-13 с=0,07692 Итого мы имеем следующие коэффициенты для аппроксимации: Таблица 3.Коэффициенты аппроксимации С использованием инструментария Curve Fitting Toolbox.
Графо-аналитический метод. Применим графический способ определения параметров передаточной функции. Общий вид передаточной функции известен: . Время запаздываания было определено ранее. Передаточная функция без запаздывания будет выглядеть: Для этой передаточной функции известен общий вид переходной функции: . Найдем производную данного выражения: .
Найдем первый предел полученного выражения: . Исходя из геометрического смысла первой производной: . Где – угол наклона касательной к переходной функции в точке ее начала. Для применения графического метода на графике переходной функции сделаем дополнительные построения:
Рис. 10. График переходной функции Из графика следует: В параметрическом виде передаточная функция запишется Сведем полученные в результате идентификации данные в таблицу: Таблица 4.Результаты идентификации
Анализ дисперсии Проведем сравнение полученных результатов с исходными данными. Критерием сравнения считаем среднее квадратическое отклонение (СКО). Для того чтобы получить СКО, необходимо получить значение диссперсий для отклонения оценок передаточной функции от исходных данных. Дисперсия в непрерывном варианте расчитывается по формуле: ; где: ; Формула верна для стационарных, эргодических, центрированных случайных процесов. СКО расчитывается по формуле . Для дискретного процесса с постоянным тактом дискретности дисперсия будет расчитана по формуле: . Для расчета СКО построим S-модель. Рис. 11. S-модель вычисления средних квадратических отклонений.
|
|||||||||||||||||||||||||||||||
Последнее изменение этой страницы: 2021-05-27; просмотров: 136; Нарушение авторского права страницы; Мы поможем в написании вашей работы! infopedia.su Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Обратная связь - 3.145.17.20 (0.005 с.) |