‫داﻧﺸﮕﺎه ﺷﺎﻫﺪ‬

‫ﮔﺮوه ﻛﻨﺘﺮل‬
‫ﺳﻌﻴﺪ ﺳﻴﺪﻃﺒﺎﻳﻲ‬
‫‪System identification Labs‬‬

‫‪ :LAB 1‬ﺷﺒﻴﻪ ﺳﺎزي و ﺗﺨﻤﻴﻦ ﻏﻴﺮ ﭘﺎراﻣﺘﺮﻳﻚ ﻃﻴﻒ‬

‫ﺑﺮاي ﺳﻬﻮﻟﺖ ﺑﻬﺘﺮ اﺳﺖ ﺑﺮاي ﻫﺮ ﺳﻮال ﻳﻚ ‪ m-file‬ﺑﻨﻮﻳﺴﻴﺪ اﻳﻨﮕﻮﻧﻪ ﻛﺎر ﺷﻤﺎ در ﺻﻮرت ﻧﻴﺎز ﺑﻪ ﺗﻜﺮار آزﻣﺎﻳﺶ ﺳﺎده ﺗﺮ ﻣﻲ ﺷﻮد‪.‬‬

‫ﺟﻤﻊ آوري دﻳﺘﺎ از ﺳﻴﺴﺘﻢ ﻣﻌﻠﻮم دﻳﺠﻴﺘﺎل‪A‬‬ ‫‪1-1‬‬

‫ﺳﻴﺴﺘﻢ )‪ P(z‬و )‪ H(z‬زﻳﺮ را در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺧﺮوﺟﻲ ﺳﻴﺴﺘﻢ زﻳﺮ را ﺑﺎ ﺑﺮﻧﺎﻣﻪ ‪ MATLAB‬ﺑﺪﺳﺖ آورﻳﺪ‬
‫‪z −2‬‬ ‫‪1‬‬
‫= )‪G( z‬‬ ‫= )‪H ( z‬‬ ‫) ‪y( z ) = G ( z )u ( z ) + H ( z )e( z‬‬
‫‪1 − 0.9 z −1 + 0.5 z −2‬‬ ‫‪1 − 0.7 z −1‬‬
‫ﺳﻴﮕﻨﺎل ‪ u‬و ‪ e‬را ﻧﻮﻳﺰ ﺳﻔﻴﺪ ﺑﺎ وارﻳﺎﻧﺲ ‪ 1‬و ‪ 0.3‬در ﻧﻈﺮ ﺑﮕﻴﺮﻳﻴﺪ‪ .‬ﻃﻮل ﺳﻴﮕﻨﺎل ‪ 1024‬در ﻧﻈﺮ ﺑﮕﻴﺮﻳﺪ‪.‬‬
‫;)‪u=randn(1,1024);e=sqrt(0.3)*randn(1,1024‬‬
‫راﻫﻨﻤﺎﻳﻲ‪ :‬ﺑﺮاي ﺷﺒﻴﻪ ﺳﺎزي ﺳﻴﺴﺘﻢ در ‪ MATLAB‬راه ﻫﺎي ﭼﻨﺪي وﺟﻮد دارد ﻛﻪ ﺑﻪ ﺗﻨﺎﺳﺐ اﺳﺘﻔﺎده ﻣﻲ ﮔﺮدد‪.‬‬
‫روش اوﻟﻴﻪ‬
‫;]‪b1=[0 0 1]; a1=[1 -0.9 0.5];b2=1;a2=[1 -0.7‬‬
‫‪y1=filter(b1,a1,u);v=filter(b2,a2,e);y=y1+v‬‬
‫روش دوم‪ :‬اﮔﺮ ﭘﺮﻳﻮد ﻧﻤﻮﻧﻪ ﺑﺮداري ﻣﺸﺨﺺ ﻧﻴﺴﺖ ‪ Ts=-1‬در ﻧﻈﺮ ﺑﮕﻴﺮﻳﺪ‬
‫;‪Ts=-1‬‬
‫;]‪b1=[0 0 1]; a1=[1 -0.9 0.5];b2=1;a2=[1 -0.7‬‬
‫;)'‪G=tf(b1,a1, Ts,'Variable','z^-1');H=tf(b2,a2,Ts,'Variable','z^-1‬‬
‫‪y1=lsim(G,u);v=lsim(H,e);y=y1+v‬‬

‫روش ﺳﻮم‬
‫;)'‪Ts=-1; z=tf('z',Ts,'Variable','z^-1‬‬
‫)‪G=z^-2/(1-0.9*z^-1+0.5*z^-2); H=1/(1-0.7*z^-1‬‬
‫‪y1=lsim(G,u);v=lsim(H,e);y=y1+v‬‬
‫روش ﭼﻬﺎرم‪ TOOL box :‬ﺷﻨﺎﺳﺎﻳﻲ‬
‫;‪Ts=-1; e_var=0.3‬‬
‫;]‪A=1; B=[0 0 1];C=1;F=[1 -0.7 0.5]; D=[1 -0.7‬‬
‫;)‪T=idpoly(A,B,C,D,F‬‬
‫;)'‪u = idinput(1024,'rgs‬‬
‫;)‪e =sqrt(0.3)* randn(1024,1‬‬
‫;)]‪y = sim(T,[u e‬‬

‫ﻃﻴﻒ و ﻓﻮرﻳﻪ ﺳﻴﮕﻨﺎل‬ ‫‪2-1‬‬

‫‪ .A‬ﺳﻴﮕﻨﺎل )‪ x(t)=cos(2*pi*1000t)+2sin(2*pi*550t‬را ﺑﺎ ﻓﺮﻛﺎﻧﺲ ‪ fs=4KHz‬و ﻃﻮل ‪ 2‬ﺛﺎﻧﻴﻪ ﺗﻮﻟﻴﺪ ﻛﻨﻴﺪ‪(x(n)).‬‬
‫)‪fs=4e3; t=0:1/fs:2;x=cos(2*pi*1000*t)+2*sin(2*pi*550*t‬‬
‫‪ .B‬ﻓﻮرﻳﻪ اﻳﻦ ﺳﻴﮕﻨﺎل ﭼﮕﻮﻧﻪ ﺑﺎﻳﺪ ﺑﻪ ﻧﻈﺮ ﺑﺮﺳﺪ )از ﻧﻈﺮ رﻳﺎﺿﻲ(؟‬
‫‪jω‬‬
‫‪ 512 .C‬ﻧﻘﻄﻪ آﻧﺮا اﻧﺘﺨﺎب و ﺑﺮاي آن ﺑﺎ دﺳﺘﻮر ‪ FFT‬ﺗﺎﺑﻊ ‪ .x(e ) DFT‬ﺑﺎ رﺳﻢ داﻣﻨﻪ آن ﻣﻮﻗﻌﻴـﺖ ﻣﻮﻟﻔـﻪ ﻫـﺎ ي ﻓﺮﻛﺎﻧﺴـﻲ را‬
‫ﺑﺒﻴﻨﻴﺪ‪ .‬آﻳﺎ ﻧﻤﻮدار ﺑﺎ آﻧﭽﻪ ﺷﻤﺎ ﻓﻜﺮ ﻣﻲ ﻛﺮدﻳﺪ ﺗﻄﺎﺑﻖ دارد؟‬

‫وﺟـﻮد ﻧـﺪارد‪ DFT .‬ﺗـﺎﺑﻊ )‪ UN(ω‬در ﻓﺮﻛﺎﻧﺴـﻬﺎي ‪ ω=2π k/N‬ﻣﺤﺎﺳـﺒﻪ ﻣـﻲ ﻛﻨـﺪ‪.‬‬ ‫‪1‬‬
‫‪N‬‬
‫دﻗﺖ ﻛﻨﻴﺪ در ﺗﻌﺮﻳﻒ ‪ DFT‬ﺿﺮﻳﺐ‬
‫ﻣﻮﻗﻌﻴﺖ ﻣﻮﻟﻔﻪ ﻫﺎ را در ﻃﻴﻒ ﺑﺮرﺳﻲ ﻛﻨﻴﺪ‪ .‬ﻣﺤﻮر اﻓﻘﻲ را ﻓﺮﻛﺎﻧﺲ دﻳﺠﻴﺘﺎل ‪ f/fs‬ﻣﺪرج ﻛﻨﻴﺪ‪.‬‬
‫;]‪fs=4e3; f=[0:fs/512:fs/2-1‬‬
‫)))‪x1=x(1:512);xw=fft(x1,512);plot(f,abs(xw(1:256‬‬
‫‪ .D‬ﻳﻜﺒﺎر دﻳﮕﺮ ‪ FFT‬ﺑﻪ ﻃﻮل ‪ 4096‬را ﻣﺤﺎﺳﺒﻪ ﻛﻨﻴﺪ‪ .‬اﻧﺘﻈﺎر ﺷﻤﺎ از اﻳﻦ ﻧﻤﻮدار ﭼﻴﺴﺖ؟ ﭼﺮا ﻧﻤﻮدار ﻣﺘﻔﺎوت اﺳﺖ‬

‫ﭘﺮﻳﻮدوﮔﺮام ﻧﻮﻳﺰ و ﻧﻮﻳﺰ ﻓﻴﻠﺘﺮ ﺷﺪه‬ ‫‪3-1‬‬

‫‪ .A‬ﻧﻮﻳﺰ ﮔﻮﺳﻲ )‪ N(0,1‬ﺑﺎ ﻣﻴﺎﻧﮕﻴﻦ ﺻﻔﺮ و وارﻳﺎﻧﺲ ‪ 1‬ﺑﻪ ﻃﻮل ‪ 1024‬را ﺗﻮﻟﻴﺪ ﻛﻨﻴﺪ‬
‫‪ .B‬ﺗﺎﺑﻊ ﻫﻤﺒﺴﺘﮕﻲ آﻧﺮا رﺳﻢ ﻛﻨﻴﺪ‬
‫))‪plot(xcorr(e‬‬
‫‪ .C‬ﭘﺮﻳﻮدوﮔﺮام ‪ |EN(ω)|2‬آن را ﺑﻪ دو روش ﻣﺮﺑﻊ داﻣﻨﻪ ﻓﻮرﻳﻪ و ﻓﻮرﻳﻪ ﺗﺎﺑﻊ ﻫﻤﺒﺴﺘﮕﻲ روي ﻳﻚ ﺻﻔﺤﻪ رﺳﻢ ﻛﻨﻴﺪ‬
‫;‪N=1024;x1=abs(fft(e,2*N-1)).^2/N; x2=abs(fft(xcorr(e)))/N‬‬
‫)]‪plot([x1,x2‬‬
‫)])‪loglog([x1(1:N/2),x2(1:N/2‬‬
‫‪ .D‬ﺧﺮوﺟﻲ ﺳﻴﺴﺘﻢ )‪ w(t)=G*e(t‬را ﺗﻮﻟﻴﺪ ﻛﻨﻴﺪ‪ .‬ﻓﺮﻛﺎﻧﺲ ﻧﻤﻮﻧﻪ ﺑﺮداري را ‪ 1‬ﻫﺮﺗﺰ در ﻧﻈﺮ ﺑﮕﻴﺮﻳﺪ‪ .‬ﭘﺮﻳﻮدوﮔﺮام )‪ w(t‬را ﻣﺤﺎﺳﺒﻪ‬
‫ﻛﻨﻴﺪ‪|WN(ω)|2 .‬‬
‫‪ .E‬ﻧﻤﻮدار |)‪ |WN(ω‬در ﺣﺎﻟﺖ ﻣﺠﺎﻧﺒﻲ ﺑﻪ |)‪ |P(ejω‬ﻣﻴﻞ ﻣﻲ ﻛﻨﺪ‪ .‬ﺑﺎ ‪ N=1024‬ﻫﺮ دو ﻧﻤﻮدار را روي ﻳﻚ ﺷﻜﻞ رﺳﻢ ﻛﻨﻴﺪ‪ .‬ﺑﺮاي‬
‫ﻣﻄﺎﻟﻌﻪ ﺧﻄﺎ ‪ (||P(ejω)|-|WN(ω)||)2‬را ﻣﺤﺎﺳﺒﻪ ﻛﻨﻴﺪ‪.‬‬
‫;‪N=1024‬‬
‫;)‪w=lsim(G,e);Wn=sqrt(abs(fft(w)).^2/N‬‬
‫;)))‪h1=freqresp(G,2*pi*[0:N-1]/N); d1=abs(squeeze(h1(1,1,:‬‬
‫)]‪plot([d1,Wn‬‬
‫)])‪loglog([d1(1:N/2),Wn(1:N/2‬‬
‫‪ .F‬ﺑﺮاي ﻣﻄﺎﻟﻌﻪ اﻳﻨﻜﻪ اﻓﺰاﻳﺶ ‪ N‬ﺧﻄﺎي ﺑﻴﻦ آﻧﺪو را ﻛﺎﻫﺶ ﻣﻲ دﻫﺪ‪ ،‬آزﻣﺎﻳﺶ را ﺑﺮاي دو ﻣﻘﺪار ‪ N=2048‬و ‪ 4096‬ﺗﻜﺮار ﻛﻨﻴﺪ‪.‬‬

‫‪4-1‬‬
‫‪Lab 3: Impulse-response identification.‬‬
‫ﻣﺪﻟﺴﺎزي اﻳﻦ آزﻣﺎﻳﺶ ﺑﺮ اﺳﺎس ﭘﺎﺳﺦ ﮔﺬراي ﺿﺮﺑﻪ اﺳﺖ‪ .‬دﻳﺘﺎ ﻓﺎﻳﻞ اﻳﻦ آزﻣﺎﻳﺶ ﺑـﺮاي ﺳﻴﺴـﺘﻢ درﺟـﻪ ‪lab3_order1_1.mat 1‬‬
‫اﺳﺖ‪ .‬ﺳﺘﻮن اول زﻣﺎن‪ ،‬ﺳﺘﻮن دوم ورودي و ﺳﺘﻮن ﺳﻮم ﺧﺮوﺟﻲ اﺳﺖ‪.‬‬
‫‪load lab3_order1_1.mat‬‬
‫‪ .A‬از ﺳﺘﻮن اول ‪ data_array‬ﭘﺮﻳﻮد ﻧﻤﻮﻧﻪ ﺑﺮداري را ﺑﺪﺳﺖ آورﻳﺪ‪Ts‬‬
‫‪ .B‬دﻳﺘﺎي ‪ data‬را رﺳﻢ ﻛﻨﻴﺪ‬
‫‪ .C‬دﻳﺘﺎي ورودي و ﺧﺮوﺟﻲ از ‪ 31‬ﺗﺎ ‪ 130‬را ﺑﻪ ﻓﺮﻣﺖ ‪ iddata‬ﺑﺒﺮﻳﺪ ‪d1‬‬

‫)‪y=data_array(31:130,3);u=data_array(31:130,2‬‬
‫)‪d1=iddata(y,u,0.2‬‬
‫‪ .D‬ورودي و ﺧﺮوﺟﻲ را رﺳﻢ ﻛﻨﻴﺪ )‪plot(d1‬‬
 ‫‪ .E‬ﺑﺮاي ﻓﻴﺖ ﻛﺮدن ﻣﺪل درﺟﻪ ‪ 1‬ﺑﻪ آن‬
‫‪k‬‬
‫= )‪G(s‬‬
‫‪Ts + 1‬‬
‫ﭘﺎﺳﺦ ﺿﺮﺑﻪ اﻳﻦ ﺳﻴﺴﺘﻢ را ﻧﻮﺷﺘﻪ و از ﺗﻄﺒﻴﻖ ﺑﺎ ﻧﻤﻮدار ﻣﺪل را ﺑﺪﺳﺖ آورﻳﺪ‪ k) .‬ﺑﺮاﺑﺮ ﺗﻘﺴﻴﻢ ﻣﻘﺪار ﻧﻬﺎﻳﻲ ﺧﺮوﺟﻲ ﺑﻪ ﻧﻬﺎﻳﻲ ورودي و‬
‫‪ T‬ﺗﺎ زﻣﺎﻧﻲ اﺳﺖ ﻛﻪ ﭘﺮش ورودي ﺑﻪ ‪ 0.38‬ﻣﺎﻛﺰﻳﻤﻢ اﻓﺖ ﻛﻨﺪ(‪ .‬داﻣﻨﻪ ﺿﺮﺑﻪ ورودي ﺑﺮاﺑﺮ ﺿﺮب داﻣﻨﻪ ورودي در ﭘﺮﻳﻮد ﻧﻤﻮﻧﻪ ﺑـﺮداري‬
‫اﺳﺖ‪.‬‬
‫‪‬‬
‫‪k‬‬
‫ﺗﺨﻤﻴﻨﻲ را ﺑﺪﺳﺖ آورده ﺑﺎ ﻧﻤﻮﻧﻪ دوم ﭘﺎﺳﺦ )ﺑﻴﻦ ‪ 131‬ﺗﺎ ‪ (230‬ﻣﻘﺎﻳﺴﻪ ﻛﻨﻴﺪ‪.‬‬ ‫‪G(s) = ‬‬ ‫‪ .F‬ﭘﺎﺳﺦ ﺿﺮﺑﻪ ﻓﻴﻠﺘﺮ‬
‫‪Ts + 1‬‬
‫)‪h2=impulse(G,0:0.2:20‬‬
‫)]‪plot([h2(1:100),y-3‬‬

‫‪ .G‬ﺑﺎ دﺳﺘﻮر ‪ lsqcurvefit‬ﺑﻪ دﻳﺘﺎي درﺟﻪ ‪ 1‬ﺗﺎﺑﻊ )‪ y=k.exp(-t/τ‬را ﻓﻴـﺖ ﻛﻨﻴـﺪ ﺑـﺎ ﺑﺪﺳـﺖ آوردن ‪ k‬و ‪ τ‬ﺗـﺎﺑﻊ ﺗﺒـﺪﻳﻞ آﻧـﺮا‬
‫ﺑﻨﻮﻳﺴﻴﺪ‪ .‬ﭘﺎراﻣﺘﺮﻫﺎي ﻣﺠﻬﻮل را ﻫﻢ ﺑﺎ ﺑﻬﻴﻨﻪ ﺳﺎزي ﻏﻴﺮ ﺧﻄﻲ و ﻫﻢ ﺧﻄﻲ ﺑﺮ اﺳﺎس ‪ log(y)=log(k)-t/τ‬ﻣﻲ ﺗﻮان ﺗﺨﻤـﻴﻦ‬
‫زد‬
‫‪function appr‬‬
‫;‪t=[0:99]*0.2‬‬
‫‪load lab3_order1_1.mat‬‬
‫;')‪y=data_array(31:130,3‬‬
‫;]‪x0=[3;3‬‬
‫)‪[x,resnorm] = lsqcurvefit(@myfun,x0,t,y-3‬‬
‫;‪y1=x(1)*exp(-t./x(2))+3‬‬
‫)]'‪plot([y',y1‬‬
‫)‪function F=myfun(x,xdata‬‬
‫;))‪F=x(1)*exp(-xdata/x(2‬‬
‫‪kωn2‬‬
‫‪ G(s) = 2‬را‬ ‫ﺳﻴﺴـﺘﻢ درﺟـﻪ ‪2‬‬ ‫‪ .H‬ﻓﺎﻳﻞ ‪ lab3_order2_1.mat‬را اﻧﺘﺨﺎب ﻛﻨﻴـﺪ‪ .‬ﺑـﻪ روش ﻓـﻮق ﭘﺎراﻣﺘﺮﻫـﺎي‬
‫‪s + 2ςωn s + ωn2‬‬
‫ﺗﺨﻤﻴﻦ ﺑﺰﻧﻴﺪ‪ .‬ﭘﺎﺳﺦ ﺿﺮﺑﻪ اﻳﻦ ﺳﻴﺴﺘﻢ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ‪:‬‬

‫‪Lab 5: Correlation analysis. 5-1‬‬

‫‪ .E‬دﻳﺘﺎ ﻓﺎﻳﻞ اﻳﻦ آزﻣﺎﻳﺶ ‪ lab5_1.mat‬اﺳﺖ ﻛﻪ ﺷﺎﻣﻞ دﻳﺘﺎي ورودي و ﺧﺮوﺟﻲ را ‪ load‬ﻛﻨﻴﺪ‪ .‬دﻳﺘﺎﻫﺎ ‪ id,val‬و ‪ imp‬ﭘﺎﺳـﺦ‬
‫ﺿﺮﺑﻪ واﻗﻌﻲ ﺳﻴﺴﺘﻢ ﻫﺴﺘﻨﺪ‪.‬‬
‫‪ .F‬ﻧﻤﻮدار دﻳﺘﺎ را رﺳﻢ ﻛﻨﻴﺪ‪ .‬آﻳﺎ ﺳﻴﮕﻨﺎﻟﻬﺎ ﻣﻴﺎﻧﮕﻴﻦ دارﻧﺪ؟ اﮔﺮ ﻣﻴﺎﻧﮕﻴﻦ ‪,‬ورودي و ﺧﺮوﺟﻲ ﺻﻔﺮ ﻧﻴﺴﺖ آﻧﺮا ﺣﺬف ﻛﻨﻴﺪ‪.‬‬
‫)‪mean(id.u); mean(id.y);std(x‬‬
‫)‪id1=detrend(id); mean(id1.y‬‬
‫‪xcorr‬‬ ‫‪ .G‬ﻳﺎ ورودي ‪ id.u‬ﻧﻮﻳﺰ ﺳﻔﻴﺪ اﺳﺖ‪ ،‬ﺑﺎ ﺑﺮرﺳﻲ ﺗﺎﺑﻊ ﻫﻤﺒﺴﺘﮕﻲ آن ﭘﺎﺳﺦ دﻫﻴﺪ‪.‬‬
‫‪ .H‬ﺑﺎ ‪ cra‬ﭘﺎﺳﺦ ﺿﺮﺑﻪ ﺳﻴﺴﺘﻢ ﺑﻪ ﻃﻮل ‪ 80‬را ﺑﺮ اﺳﺎس ‪ id1‬ﺑﺪﺳﺖ آورﻳﺪ‬
‫;)‪h10=cra(id1,80‬‬
‫‪ .I‬آﻧﺮا ﻫﻤﺮاه ﺑﺎ ﭘﺎﺳﺦ ﺿﺮﺑﻪ واﻗﻌﻲ ‪ imp‬روي ﻳﻚ ﺻﻔﺤﻪ ﻧﺸﺎن دﻫﻴﺪ‬
‫‪ .J‬ورودي ‪ val‬را ﺑﻪ ﺳﻴﺴﺘﻢ ﺗﺨﻤﻴﻨﻲ داده ﺧﺮوﺟﻲ آﻧﺮا ﺑﺎ ﺧﺮوﺟﻲ ‪ val‬ﻣﻘﺎﻳﺴﻪ ﻛﻨﻴﺪ و درﺟﻪ ﻓﻴـﺖ ﺑـﻮدن را ﺑـﺎ ﻣﺤﺎﺳـﺒﻪ ‪MSE‬‬
‫ﺗﻌﻴﻴﻦ ﻛﻨﻴﺪ‬
‫)]‪h11=filter(h10,1,val.u);plot([h11,val.y‬‬
‫‪MSE=(sum(h11-val.y))^2‬‬

‫‪6-1‬‬
‫‪ETFE‬‬
‫ﺳﻴﺴﺘﻢ ﺑﺎ ﺗﻮاﺑﻊ زﻳﺮ را در ﻧﻈﺮ ﺑﮕﻴﺮﻳﺪ‪ .‬ﻓﺮﻛﺎﻧﺲ ﻧﻤﻮﻧﻪ ﺑﺮداري ‪ 1‬ﻫﺮﺗﺰ اﺳﺖ‪ .‬ﻧﻮﻳﺰ )‪ e∈N(0,1‬اﺳﺖ‪ .‬ﻃﻮل ﺳﻴﮕﻨﺎل ورودي ‪N=1024‬‬
‫در ﻧﻈﺮ ﺑﮕﻴﺮﻳﺪ‪ u.‬ﻧﻴﺰ ﻧﻮﻳﺰ ﺳﻔﻴﺪ ﺑﺎ وارﻳﺎﻧﺲ ‪ 4‬اﺳﺖ‪.‬‬

‫ﺧﺮوﺟﻲ ‪ y=Gu+He‬را ﺗﻮﻟﻴﺪ ﻛﻨﻴﺪ‬

‫‪ .A‬ﺑﺎ ‪ etfe‬ﻃﻴﻒ ‪ G‬را ﺗﺨﻤﻴﻦ ﺑﺰﻧﻴﺪ‪ .‬ﻃﻴﻒ ‪ G‬و ‪ Ĝ‬را روي ﻳﻚ ﻧﻤﻮدار رﺳﻢ ﻛﻨﻴﺪ‪ .‬ﺧﻄﺎي ﺗﺨﻤﻴﻦ از ﻧﻤﻮدار ﻗﺎﺑﻞ ﻣﺸﺎﻫﺪه اﺳﺖ‪.‬‬
‫)‪z1=iddata(y,u',1); ge = etfe(z1); bode(ge,G‬‬
‫‪ .B‬ﻫﻤﻮار ﻛﺮدن‪ etfe‬ﺑﺎ ﻣﻴﺎﻧﮕﻴﻦ ﮔﻴﺮي ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ‪ .‬ﺑﺎ ﺗﻘﺴﻴﻢ ﻛﺮدن دﻳﺘﺎ ﺑﻪ ‪ 4‬ﻃﻮل ‪ 256‬ﺗﺎﻳﻲ ﺗﺨﻤﻴﻦ ﺟﺪﻳﺪ ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ‬
‫)‪ge2 = etfe(z1,256); bode(ge,G,ge2‬‬
‫‪ spa .I‬ﻣﺎﻧﻨﺪ ‪ etfe‬ﭘﻨﺠﺮه دار اﺳﺖ‪ .‬اﻳﻦ دو اﺟﺮا را ﻣﻘﺎﻳﺴﻪ ﻛﻨﻴﺪ‪ .‬ﭘﻨﺠﺮه ‪ spa‬ﭘﻨﺠﺮه ‪ Hann‬اﺳﺖ‪.‬‬
‫)‪ge3 = spa(z1); bode(ge,G,ge3‬‬
‫)‪ge3 = spa(z1,32); bode(ge,G,ge3‬‬
‫‪ .G‬دﺳﺘﻮر ‪ spafdr‬ﻫﻤﻮارﺳﺎزي را در ﻣﻴﺪان ﻓﺮﻛﺎﻧﺲ اﻧﺠﺎم ﻣﻲ دﻫﺪ و درﺟﻪ آن ﺑﺎ ‪ γ‬ﺑﻴﺎن ﻣﻲ ﺷﻮد‪ γ .‬ﺑﺰرگ ﺑﻪ ﻣﻌﻨﻲ ﻓﻴﻠﺘﺮ ﺑﺎرﻳﻚ‬
‫و ‪ γ‬ﻛﻮﭼﻚ ﺑﻪ ﻣﻌﻨﻲ ﻓﻴﻠﺘﺮ ﭘﻬﻦ اﺳﺖ اﺛﺮ آﻧﺮا ﻣﻼﺣﻈﻪ و ﺑﻬﺘﺮﻳﻦ ﻣﻘﺪار ‪ γ‬را ﺗﻌﻴﻴﻦ ﻛﻨﻴﺪ‬
‫)‪gamma=0.7;ge4 = spafdr(z1,gamma);bode(G,ge2,ge4‬‬
‫‪ γ‬را ﺑﻪ ﻧﺤﻮي اﻧﺘﺨﺎب ﻛﻨﻴﺪ ﻛﻪ ‪ peak‬ﻃﻴﻒ ازﺑﻴﻦ ﻧﺮود‪.‬‬
 ‫‪ LAB2‬ﺗﺨﻤﻴﻦ ﭘﺎراﻣﺘﺮﻳﻚ‬ ‫‪2‬‬
‫ﻣﺜﺎل ‪ hairdryer‬داﺧﻠﻲ ‪ MATLAB‬را ﻣﻼﺣﻈﻪ ﻛﻨﻴﺪ‬

‫‪Lab 3: Parametric methods‬‬

‫‪Lab 6: ARX model identification .‬‬ ‫‪1-2‬‬

‫‪ .A‬دﻳﺘﺎ ﻓﺎﻳﻞ اﻳﻦ آزﻣﺎﻳﺶ ‪ lab6_1.mat‬اﺳﺖ‪ ،‬ﻧﻤﻮدار دﻳﺘﺎ را رﺳﻢ و ﻣﻼﺣﻈﻪ ﻛﻨﻴﺪ‪ id .‬دﻳﺘـﺎي ﺷﻨﺎﺳـﺎﻳﻲ و ‪ val‬دﻳﺘـﺎي اﻋﺘﺒـﺎر‬
‫ﺳﻨﺠﻲ اﺳﺖ‪.‬‬
‫‪ .B‬از ﻣﺸﺎﻫﺪه ﻧﻤﻮدار ﺑﺮاي ‪ na, nb, nk‬ﻣﻘﺎدﻳﺮي ﺣﺪس ﺑﺰﻧﻴﺪ‪ .‬ﺣﺎل ﺑﺎ ‪ arx‬ﺳﻴﺴﺘﻢ را ﺷﻨﺎﺳـﺎﻳﻲ و ورودي دﻳﺘـﺎ ‪ val‬را ﺑـﻪ آن‬
‫اﻋﻤﺎل و ﺧﺮوﺟﻲ ﺷﺒﻴﻪ ﺳﺎزي را ﺑﺎ ﺧﺮوﺟﻲ ‪ val‬ﻣﻘﺎﻳﺴﻪ ﻛﻨﻴﺪ‬
‫‪Sample codes‬‬
‫;‪Na = 1:15; Nb = 1:15; Nk = 1:5‬‬
‫;)‪NN = struc(Na, Nb, Nk); V = arxstruc(id, val, NN‬‬
‫)'‪N=selstruc(V,'plot‬‬
‫ﺣﺎل درﺟﻪ را از ﻧﻤﻮدار اﻧﺘﺨﺎب ﻛﻨﻴﺪ و ﻳﺎ ﺑﺎ ﻳﻜﻲ ازاﻧﻮاع دﺳﺘﻮرات زﻳﺮ اﻧﺘﺨﺎب ﻣﻨﺎﺳﺐ را داﺷﺘﻪ ﺑﺎﺷﻴﺪ‪ .‬ﻣﺪل اﻧﺘﺨـﺎب ﺷـﺪه را از ﻧﻈـﺮ‬
‫ﻋﻤﻠﻜﺮد ﺑﺎ دﻳﺘﺎي ‪ id‬و ‪ val‬ﭼﻚ ﻛﻨﻴﺪ‪.‬‬
‫)‪nn = selstruc(V,0); m=arx(id,nn‬‬
‫)‪compare(id,m);compare(val,m‬‬
‫‪ .C‬ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺑﻬﺘﺮﻳﻦ ﻣﺪل‪ ،‬ٱﻳﺎ ﺳﻴﺴﺘﻢ ﺗﺎﺧﻴﺮ دارد ﻳﺎ ﻧﻪ‪ ،‬آﻳﺎ ﺣﺪس اوﻟﻴﻪ ﺷﻤﺎ در ﺑﺎره درﺟﺎت درﺳﺖ ﺑﻮد؟‬
‫‪ impulseest .D‬ﭘﺎﺳﺦ ﺿﺮﺑﻪ را ﺗﺨﻤﻴﻦ ﻣﻴﺰﻧﺪ‪ ,‬و ﺧﺮوﺟﻲ ﻳﻚ ﺳﻴﺴﺘﻢ اﺳﺖ‪ cra .‬ﭘﺎﺳﺦ ﺿﺮﺑﻪ را ﺑﺎ ﻫﻤﺒﺴﺘﮕﻲ ﺗﺨﻤﻴﻦ ﻣﻲ زﻧـﺪ و‬
‫ﺧﺮوﺟﻲ ﭘﺎﺳﺦ ﺿﺮﺑﻪ اﺳﺖ‪.‬‬
‫;)‪m12=impulseest(id‬‬
‫;)'‪h20=cra(id,80);m5=idpoly(1,h20‬‬
‫‪ .E‬دﻳﺘﺎ ﻫﺎ ﻣﻴﺎﻧﮕﻴﻦ دارﻧﺪ و ﻫﻤﻴﻦ ﻣﻲ ﺗﻮاﻧﺪ ﻧﺘﺎﻳﺞ را ﻣﺨﺪوش ﻛﻨﺪ ﺑﺎ )‪ id1=deterend(id‬اﺳﺘﻔﺎده از ‪ cra‬را اﻣﺘﺤﺎن ﻛﻨﻴﺪ‬
‫‪ .F‬ﻋﻤﻠﻜﺮد ﻣﺪل ﺑﺪﺳﺖ آﻣﺪه ‪ ARX‬و ‪ FIR‬را ﻣﻘﺎﻳﺴﻪ ﻛﻨﻴﺪ‪ .‬اﻳﻦ ﻣﻘﺎﻳﺴﻪ را از ﻣﻨﻈـﺮ ﺗﻌـﺪاد ﭘﺎراﻣﺘﺮﻫـﺎ اﻧﺠـﺎم دﻫﻴـﺪ‪ .‬ﻫﺮﻛـﺪام از‬
‫ﻣﺪﻟﻬﺎي ‪ m,m12,m5‬ﭼﻨﺪ ﭘﺎراﻣﺘﺮ دارﻧﺪ‬
‫)‪compare(val,m,m12,m5‬‬

‫‪Lab 7: Prediction error methods. 2-2‬‬

‫‪ .A‬دﻳﺘﺎ ﻓﺎﻳﻞ اﻳﻦ آزﻣﺎﻳﺶ ‪ lab7_1.mat‬اﺳﺖ‪ .‬دﻳﺘﺎ ﻫﺎ ‪ id, val‬و ‪ n‬ﻫﺴﺘﻨﺪ‬
‫‪ .B‬ﻣﺪﻟﻬﺎي ‪ ARMAX ،ARX‬و ‪ OE‬در اﻳﻦ آزﻣﺎﻳﺶ ﺗﺠﺮﺑﻪ ﻣﻲ ﺷﻮﻧﺪ‪ .‬ﺳﻴﺴﺘﻢ ﺳﺎﺧﺘﺎر ﻛﻠﻲ‬

‫را دارد ﻛﻪ ﻣﻄﺎﺑﻖ ﺷﻜﻞ در ﻣﻌﺮض اﺧﺘﻼل )‪ e(t‬اﺳﺖ‪ .‬درﺟﻪ ﺳﻴﺴﺘﻢ ‪ n‬در دﻳﺘﺎي آزﻣﺎﻳﺶ داده ﺷﺪه اﺳﺖ‪ .‬اﻟﺒﺘﻪ درﺟﻪ ﺻﻮرت ﻣﻤﻜﻦ‬
‫اﺳﺖ ﻛﻤﺘﺮ ﺑﺎﺷﺪ‬

‫‪ .C‬دﻳﺘﺎ ﻫﺎي ‪ id‬و ‪ val‬را رﺳﻢ ﻛﻨﻴﺪ‬

‫‪ .D‬ﻣﺪل ﻣﻨﺎﺳﺐ ﺑﺮاي ﺳﻴﺴﺘﻢ ﺷﻜﻞ ﻛﺪام اﺳﺖ؟ ‪ .ARX, ARMAX, OE‬اﮔﺮﭼﻨﺪ ﻣﺪل ﺑـﻪ آن ﻓﻴـﺖ ﻣـﻲ ﺷـﻮد ﻛـﺪام ﺗﻌـﺪاد‬
‫ﭘﺎراﻣﺘﺮ ﻛﻤﺘﺮي دارد‬
‫)]‪m1 = oe(data,[nb nf nk‬‬
‫)]‪m2= armax(data,[na nb nc nk‬‬
‫)]‪m3 = arx(data,[na nb nk‬‬
‫‪ .G‬ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ درﺟﻪ و ﺗﺎﺧﻴﺮ ﺑﺪﺳﺖ آﻣﺪه از آزﻣﺎﻳﺶ ﻗﺒﻞ‪ ،‬ﻫﺮ ﺳﻪ ﻣﺪل را ﺑﺮاﺳـﺎس ‪ n‬داده ﺷـﺪه ﺗﺨﻤـﻴﻦ ﺑﺰﻧﻴـﺪ و آﻧﻬـﺎ را ﺑـﺎ ﻫـﻢ‬
‫‪compare‬‬ ‫ﻣﻘﺎﻳﺴﻪ ﻛﻨﻴﺪ‪.‬‬

‫‪• Lab 8: Instrumental variable methods. .H‬‬

‫‪ .A‬دﻳﺘﺎ ﻓﺎﻳﻞ اﻳﻦ آزﻣﺎﻳﺶ ‪ lab8_1.mat‬اﺳـﺖ‪ .‬دﻳﺘﺎﻫـﺎ ‪ id,val‬و ‪ n‬ﻫﺴـﺘﻨﺪ‪ .‬در اﻳـﻦ آزﻣـﺎﻳﺶ ‪ IV‬ﺑـﺎ ‪ ARX‬و ‪ARMAX‬‬
‫ﻣﻘﺎﻳﺴﻪ ﻣﻲ ﺷﻮد‪ .‬درﺟﻪ ﺳﻴﺴﺘﻢ ‪ n‬و ﻧﻮﻳﺰ اﻋﻤﺎﻟﻲ رﻧﮕﻲ اﺳﺖ‪.‬‬
‫‪ .B‬دﻳﺘﺎي ورودي و ﺧﺮوﺟﻲ را رﺳﻢ و ﺑﺮرﺳﻲ ﻛﻨﻴﺪ ‪.‬ﻫﺮ روش را ﻛﻪ اﺟﺮا ﻣﻲ ﻛﻨﻴﺪ از ‪ tic‬و ‪ toc‬ﺑـﺮاي ﺑﺪﺳـﺖ آوردن زﻣـﺎن اﺟـﺮا‬
‫اﺳﺘﻔﺎده ﻛﻨﻴﺪ‬
‫‪ n .C‬ﻫﺎ را اﻧﺘﺨﺎب و ﻳﻚ ﻣﺪل ‪ ARX‬ﺑﺮ اﺳﺎس ﻣﺸﺎﻫﺪه دﻳﺘﺎ ﺗﺨﻤﻴﻦ ﺑﺰﻧﻴﺪ و ﻛﻴﻔﻴﺖ آﻧﺮا ﺑﺮرﺳﻲ ﻛﻨﻴﺪ‪ .‬در ﻧﻬﺎﻳﺖ ﺑـﺎ ‪ n‬داده ﺷـﺪه‬
‫ﻋﻤﻞ ﻛﻨﻴﺪ ]‪ [n n 1‬ﻣﺪت زﻣﺎن اﺟﺮا را ﻳﺎد داﺷﺖ ﻛﻨﻴﺪ‬
‫)‪tic; marx = arx(id,[na nb nk]);toc;compare(val,marx‬‬

‫‪ .D‬روش ‪ IV‬را ﺑﺎ اﻳﻨﺴﺘﺮوﻣﻨﺖ ﺳﺎده زﻳﺮ و ‪ n‬داده ﺷﺪه اﻧﺠﺎم و ﺑﺎ ‪ ARX‬ﻣﻘﺎﻳﺴﻪ ﻛﻨﻴﺪ‪ .‬ﻃﻮل اﻳﻨﺴﺘﺮوﻣﻨﺖ ﺑﺎﻳـﺪ ﻃـﻮل ﺧﺮوﺟـﻲ‬
‫ﺑﺎﺷﺪ‬

‫)‪tic;miv0=ivx(id,[na nb 1],id.u);toc; compare(val,marx,miv0‬‬

‫‪ IV .E‬را ﺑﺎ اﻳﻨﺴﺘﺮوﻣﻨﺘﻲ اﺟﺮا ﻛﻨﻴﺪ ﻛﻪ ‪ ŷ‬ﺧﺮوﺟﻲ ﺳﻴﺴﺘﻢ ﺑﺎ ﻣﻘﺎدﻳﺮ ﺗﺨﻤﻴﻨﻲ ‪ ARX‬ﺑﺎﺷﺪ‪ .‬ﻧﺘﺎﻳﺞ را ﺑﺎ ‪ ARX‬و ‪ IV‬ﺳﺎده ﻗﺒﻠـﻲ‬
‫ﻣﻘﺎﻳﺴﻪ ﻛﻨﻴﺪ‬

‫;)‪g2=tf(marx.B,marx.A,1,'variable','z^-1'); hat=lsim(g2,id.u‬‬
‫)‪tic;mivx=ivx(id,[2 2 1],-hat);toc; compare(val,marx,mivx‬‬
‫‪ x‬ﻳﻚ ﺑﺮدار ﻫﻢ ﻃﻮل ﺧﺮوﺟﻲ )‪ (len‬اﺳﺖ‪ .‬اﺑﺘﺪا ‪ arx‬را اﺟﺮا ﻛﻨﻴﺪ و ‪ Â‬را ﺑﺪﺳﺖ آورده و ‪ –Â‬را در ﺧﺎﻧﻪ ﻫﺎي اول ‪ x‬ﺟﺎي دﻫﻴﺪ‬
‫‪ .F‬ﺑﺎ اﺟﺮاي دﺳﺘﻮر ‪ IV4‬ﻛﻪ ﺧﻮدﻛﺎر اﻳﻨﺴﺮوﻣﻨﺖ را اﻧﺘﺨﺎب ﻣﻲ ﻛﻨﺪ ﺳﻴﺴﺘﻢ را ﺷﻨﺎﺳﺎﻳﻲ و ﻧﺘﻴﺠﻪ را ﺑﺎ ﻧﺘﺎﻳﺞ ﻗﺒﻠﻲ ﻣﻘﺎﻳﺴﻪ ﻛﻨﻴﺪ‬
‫)‪tic;miv4=iv4(id,[2 2 1]);toc; compare(val,miv4,marx,mivx‬‬
‫‪ .G‬ﻳﻚ ﻣﺪل ‪ ARMAX‬ﺗﺨﻤﻴﻦ ﺑﺰﻧﻴﺪ و ﻧﺘﻴﺠﻪ راﺑﺎ ﺑﻬﺘﺮﻳﻦ ‪ IV‬ﻣﻘﺎﻳﺴﻪ ﻛﻨﻴﺪ‬
‫)‪tic; marmax = armax(id,[na nb nk]);toc;compare(val,marmax‬‬
‫‪ .H‬آﻧﻬﺎ را ﺑﺮ ﺣﺴﺐ ﺳﺮﻋﺖ اﺟﺮا ﻣﺮﺗﺐ ﻛﻨﻴﺪ‪.‬‬

‫‪ Subspace system identification‬ﺑﺮاي ﺳﻴﺴﺘﻤﻬﺎي ‪MIMO‬‬ ‫‪3-2‬‬

‫‪ .A‬ﺳﻴﺴﺘﻢ زﻳﺮ را در ﻧﻈﺮ ﮔﺮﻓﺘﻪ آﻧﺮا ﺑﺮاي ‪ 100‬ﻧﻤﻮﻧﻪ ﺷﺒﻴﻪ ﺳﺎزي ﻛﻨﻴﺪ‬
‫‪x(t+1)=Ax+Bu+K*e‬‬
‫‪y=Cx+Du+e‬‬
‫;]‪u = randn(100,3); A = [1,-0.99 ;0.1, 0.7]; B = [1 2 3; -1 -2 -3‬‬
‫;]‪C = [1 0; -1 1‬‬ ‫;]‪D= [1 2 3; -1 -2 -3]; K = [0 0; 0 0‬‬
‫;)’‪m = idss(A,B,C,D,K);y = sim(m,u,’Noise‬‬
‫)‪bode(m‬‬
‫ﺣﺎل آﻧﺮا ﺷﻨﺎﺳﺎﻳﻲ ﻛﻨﻴﺪ و ﭘﺎراﻣﺘﺮﻫﺎ را ﺑﺎ ﺳﻴﺴﺘﻢ اﺻﻠﻲ ﻣﻘﺎﻳﺴﻪ ﻛﻨﻴﺪ‪ .‬ﻓﺮم ﻣـﺎﺗﺮﻳﺲ ‪ A‬را ﺑﺼـﻮرت ‪ free‬ﻳـﺎ ‪ can, modal‬و ﻏﻴـﺮه‬
‫ﺗﻌﺮﻳﻒ ﻛﺮد‪.‬‬
‫;)'‪z = iddata(y,u); m1 = n4sid(z,1:5,'Display','on‬‬
‫;)‪bode(m1,'sd',3‬‬
‫‪ .B‬ﺷﻨﺎﺳﺎﻳﻲ ﻓﻀﺎي ﺣﺎﻟﺖ ﺑﺎ ‪ :pem‬در دﺳﺘﻮر ‪ pem‬ﻣﻲ ﺗﻮان ﭘﺎراﻣﺘﺮﻫﺎﻳﻲ ﻛﻪ ﻣﻘﺪار آﻧﻬﺎ ﻣﺸﺨﺺ اﺳﺖ را ﺑﻪ اﻟﮕﻮرﻳﺘﻢ ﺗﻌﺮﻳﻒ ﻛﺮد‪.‬‬
‫ﻣﺜﻼ ﻣﻤﻜﻦ اﺳﺖ ‪ A(1,1)=1‬و ﺑﺮدارﻫﺎي ‪ B,C,D‬ﺑﺮدارﻫﺎﻳﻲ ﺑﺎ ﻣﻘﺎدﻳﺮ از ﻗﺒﻞ ﻣﺸـﺨﺺ ﺑﺎﺷـﻨﺪ‪ .‬در اﻳـﻦ ﺻـﻮرت اﻟﮕـﻮرﻳﺘﻢ را‬
‫اﻳﻨﮕﻮﻧﻪ ﻣﻲ ﺗﻮان اﺟﺮا ﻛﺮد‪.‬‬
‫;)‪z = iddata(y,u‬‬
‫;]‪As=[1,NaN;NaN,NaN];Bs=B;Cs=C;Ds=D;Ks=K;X0s=[0;0‬‬
‫;)‪setstruc(m,As,Bs,Cs,Ds,Ks,X0s‬‬
‫)'‪m2 = pem(z,2,'Display','on','ss','free‬‬
‫)'‪m2 = pem(z,2,'ss','can‬‬
‫ﻳﻪ اﻟﮕﻮرﻳﺘﻢ ﻣﻲ ﺗﻮان ﻣﻘﺎدﻳﺮ اوﻟﻴﻪ و ﻫﻤﭽﻨﻴﻦ ﻛﺮان ﺑﺮاي ﭘﺎراﻣﺘﺮﻫﺎ ﺗﻌﺮﻳﻒ ﻛﺮد‪.‬‬
‫)'‪m2 = pem(z,m,'nx',1:5,'ss','can‬‬
‫ﺣﺎل ﻋﻤﻠﻜﺮد ﺳﻴﺴﺘﻢ اﺻﻠﻲ ﺑﺎ دو ﺳﻴﺴﺘﻢ ﺷﻨﺎﺳﺎﻳﻲ ﺷﺪه را ﻣﻘﺎﻳﺴﻪ ﻛﻨﻴﺪ ﺑﺮاي اﻳﻦ ﻣﻨﻈﻮر ورودي زﻳﺮ را ﺑﻪ ﻫﺮ ﺳﻪ اﻋﻤﺎل و ﭘﺎﺳﺨﻬﺎ را‬
‫روي ﻳﻚ ﻧﻤﻮدار رﺳﻢ ﻛﻨﺴﺪ‬
‫;)‪>> ut = randn(100,3‬‬
‫?‪Which one is better? What is the price for this superiority‬‬
 ‫‪ LAB 3 3‬ﺗﺨﻤﻴﻦ ﺑﺎزﮔﺸﺘﻲ‬

‫‪Lab 9: Pseudo-random binary sequences. 1-3‬‬

‫‪ arx, idinput, plot, compare .A‬دﺳﺘﻮراﺗﻲ ﻫﺴﺘﻨﺪ ﻛﻪ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮﻧﺪ‪ .‬دﻳﺘﺎ ﻓﺎﻳﻞ اﻳﻦ آزﻣﺎﻳﺶ ‪ lab9_1.mat‬اﺳـﺖ‬
‫ﻛﻪ ﻓﻘﻂ دﻳﺘﺎي ‪ val‬را دارد و ﺑﺮﻧﺎﻣﻪ ‪ simulateid.p‬ﺑﺮاي ﺗﻮﻟﻴﺪ ﺧﺮوﺟﻲ ﺑﺮاي ورودي ‪ PRBS‬اﺳﺖ‬
‫‪ .B‬درﺟﻪ ﺳﻴﺴﺘﻢ ﺑﻴﺶ از ‪ 4‬ﻧﻴﺴﺖ و ﻧﻮﻳﺰ رﻧﮕﻲ اﺳﺖ ﻟﺬا ‪ ARX‬درﺟﻪ ﺑﺎﻻ ﺗﺨﻤﻴﻦ زده ﻣﻲ ﺷﻮد‪ .‬ﺑـﺮاي اﻳـﻦ ﻣﻨﻈـﻮر = ‪na = nb‬‬
‫‪ 15‬در ﻧﻈﺮ ﺑﮕﻴﺮﻳﺪ‪.‬‬
‫‪ .C‬ﺳﻴﮕﻨﺎل ‪ PRBS‬ﺗﻮﻟﻴﺪ ﻛﻨﻴﺪ ﻛﻪ داﻣﻨﻪ آن ﺑﻴﻦ ‪ 0.5‬و ‪ 1‬ﺑﺎﺷﺪ و ﻣﺮﺗﺒـﻪ ‪ PERSISTENCY EXCITING‬آن ﺑﺰرﮔﺘـﺮ از‬
‫‪ n=na+nb=30‬ﺑﺎﺷﺪ‪ .‬ﺑﺮاي اﻳﻦ ﻣﻨﻈﻮر درﺟﻪ ﻓﻴﻠﺘﺮ ‪ m=6‬در ﻧﻈﺮ ﺑﮕﻴﺮﻳﺪ و ‪ 10‬ﭘﺮﻳﻮد آﻧﺮا ﺗﻮﻟﻴﺪ ﻛﻨﻴﺪ‬
‫‪ .D‬اﻳﻦ ﺳﻴﮕﻨﺎل را ﺑﻪ ‪ simulateid‬اﻋﻤﺎل ﻛﺮده ) )‪ (id = simulateid(plant, u‬ﺗﺎ ﺳﻴﮕﻨﺎل ‪ id‬ﺑﺪﺳﺖ آﻳﺪ‪ .‬ﺳﻴﮕﻨﺎل ﺗﻮﻟﻴـﺪي‬
‫از ﻧﻮع ‪ iddata‬اﺳﺖ‪.‬‬
‫‪ .E‬ﺑﺮاي دﻳﺘﺎ ‪ ARX‬درﺟﻪ ﺑﺎﻻ ﺗﺨﻤﻴﻦ ﺑﺰﻧﻴﺪ و ﻛﻴﻔﻴﺖ ﺗﺨﻤﻴﻦ را ﺑﺎ ‪ resid‬ﻛﻨﺘﺮل ﻛﻨﻴﺪ‬
‫‪ .F‬آزﻣﺎﻳﺶ ﺑﺎﻻ را ﺗﻜﺮار ﻛﻨﻴﺪ ﻛﻪ ﻣﻮﻟﺪ ﺳﻴﮕﻨﺎل ‪ idinput‬آﻧﺮا ﺑﻪ ﻓﺮم ‪ PRBS‬ﺑﺎ داﻣﻨﻪ ﺑﻴﻦ ‪ 0.5‬و ‪ 1‬ﺗﻮﻟﻴﺪ ﻣﻲ ﻛﻨﺪ‪ .‬ﺑـﺎ اﻳـﻦ روش‬
‫درﺟﻪ ‪ m‬ﺑﻄﻮر ﺧﻮدﻛﺎراﻧﺘﺨﺎب ﻣﻲ ﮔﺮدد‬

‫‪Lab 10: Recursive identification. Model validation using correlation tests (PDF).‬‬ ‫‪2-3‬‬
‫‪ rarx, idpoly, resid, plot, compare .A‬دﺳﺘﻮرات ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﻲ ﮔﻴﺮﻧﺪ‪ .‬دﻳﺘﺎ ﻓﺎﻳﻞ اﻳﻦ آزﻣـﺎﻳﺶ ‪lab10_1.mat‬‬
‫اﺳﺖ ﻛﻪ ﺣﺎوي ‪ id‬و ‪ val‬و درﺟﻪ واﻗﻌﻲ ﺳﻴﺴﺘﻢ ‪ n‬اﺳﺖ ﺿﻤﻨﺎ ﺳﻴﺴﺘﻢ ‪ OE‬اﺳﺖ‬
‫‪ .B‬ﺑﺮاي اﻳﻦ ﺳﻴﺴﺘﻢ ‪ ARX‬درﺟﻪ ﺑﺎﻻ ﺑﺎ ‪ na = nb = 3n‬ﺗﺨﻤﻴﻦ زده ﻣﻲ ﺷﻮد‬
‫=)‪ P-1(0‬اﺟﺮا ﻛﻨﻴﺪ‪ .‬ﻳﻜﺒﺎر از ‪ 10%‬وﺑﺎر دﻳﮕﺮ از‬ ‫‪ .C‬دستور ‪ rarx‬را روي دﻳﺘﺎي ‪ id‬ﺑﺎ‬
‫ﻛﻞ دﻳﺘﺎ ﺑﺮاي ﺷﻨﺎﺳﺎﻳﻲ اﺳﺘﻔﺎده ﻛﻨﻴﺪ‪ .‬ﺑﺎ دﺳﺘﻮر ‪ idpoly‬و ﭘﺎراﻣﺘﺮﻫﺎي ﺗﺨﻤﻴﻦ زده ﺷﺪه دو ﺳﻴﺴﺘﻢ ﺑﺴﺎزﻳﺪ و ﻛﻴﻔﻴﺖ اﻳـﻦ دو‬
‫را روي ‪ val‬را ﺑﺎ دﺳﺘﻮر ‪ compare‬ﻣﻘﺎﻳﺴﻪ ﻛﻨﻴﺪ‬
‫‪-1‬‬
‫‪What the rarx function denotes P is actually the inverse matrix P from the lecture.‬‬
‫ﺗﻜﺮار ﻛﻨﻴﺪو ﻧﺘﺎﻳﺞ را ﻣﻘﺎﻳﺴﻪ ﻛﻨﻴﺪ‬ ‫‪ .D‬آزﻣﺎﻳﺶ را ﺑﺎ‬

‫ﺑﺎ دﺳﺘﻮر‪ idpoly‬ﻣﺪل ‪ arx‬ﺑﺎ درﺟﻪ ‪ na = nb = n‬ﺗﺨﻤﻴﻦ ﺑﺰﻧﻴﺪ‪ .‬ﺑﺎ اﺳﺘﻔﺎده از دﺳﺘﻮر ‪ resid‬ﺗﺨﻤﻴﻦ را اﻋﺘﺒﺎر ﺳﻨﺠﻲ ﻛﻨﻴﺪ‪.‬‬ ‫‪.I‬‬
‫‪ Ts‬ﻫﻤﺎن ﭘﺮﻳﻮد ﻧﻤﻮﻧﻪ ﺑﺮداري دﻳﺘﺎ ﺑﺎﺷﺪ‬
‫‪ .J‬ﺑﺎ دﺳﺘﻮر ‪ idpoly‬ﻣﺪل ‪ oe‬ﺑﺎ درﺟﻪ ‪ na = nb = n‬ﺗﺨﻤﻴﻦ ﺑﺰﻧﻴﺪ‪ .‬ﺑﺎ اﺳﺘﻔﺎده از دﺳﺘﻮر ‪ resid‬ﺗﺨﻤﻴﻦ را اﻋﺘﺒﺎر ﺳﻨﺠﻲ ﻛﻨﻴﺪ‪.‬‬
‫ﻧﺘﺎﻳﺞ راﺑﺎ ﻣﺪل ‪ arx‬ﻣﻘﺎﻳﺴﻪ ﻛﻨﻴﺪ‬
‫‪Sample code‬‬
‫)‪sys = idpoly(A,B,C,D,F,NoiseVariance,T‬‬
‫;)‪mARX = arx(id, [3, 3, 1]); resid(mARX, id‬‬
 ‫‪ 3-3‬ﺟﻤﻊ آوري دﻳﺘﺎ و ﻧﻤﻮﻧﻪ ﺑﺮداري از ﺳﻴﺴﺘﻢ آﻧﺎﻟﻮگ‬
‫‪3s + 1‬‬ ‫‪1‬‬
‫= ) ‪Ga ( s‬‬ ‫= )‪H a (s‬‬
‫‪s2 + s + 1‬‬ ‫‪s + 0.4‬‬
‫‪ .A‬ﺑﺎ دﺳﺘﻮر ‪ randn‬ﺳﻴﮕﻨﺎل ﻧﻮﻳﺰي ﺑﺮاي ‪ e‬و ‪ u‬ﺗﻮﻟﻴﺪ ﻛﻨﻴﺪ‪ .‬ﺳﻴﮕﻨﺎل ‪ e‬ﻣﻴﺎﻧﮕﻴﻦ ﺻﻔﺮ و وارﻳﺎﻧﺲ ‪ 1‬و ﺳـﻴﮕﻨﺎل ‪ u‬ﻣﻴـﺎﻧﮕﻴﻦ ‪ 1‬و‬
‫وارﻳﺎﻧﺲ ‪ 1‬دارد‪.‬‬
‫‪ .B‬ﺑﺎ دﺳﺘﻮر ‪ lsim‬ﺳﻴﮕﻨﺎل ﺧﺮوﺟﻲ ‪ y‬ﺳﻴﺴﺘﻢ ‪ A‬را ﺗﻮﻟﻴﺪﻛﺮده آﻧﺮا رﺳﻢ ﻛﻨﻴﺪ‪.‬‬
‫‪ .C‬ﭘﺎﺳﺦ ﭘﻠﻪ ﺳﻴﺴﺘﻢ ﻫﺮ دو ﺳﻴﺴﺘﻢ ‪ G‬و ‪ H‬را رﺳﻢ ﻛﻨﻴﺪ‪ .‬ﭘﺮﻳﻮد ﻧﻤﻮﻧـﻪ ﺑـﺮداري را ﺑـﻪ ﻧﺤـﻮي اﻧﺘﺨـﺎب ﻛﻨﻴـﺪ ﻛـﻪ در زﻣـﺎن ﻧﻤـﻮ‬
‫ﺳﺮﻳﻌﺘﺮﻳﻦ ‪ G‬و ‪H‬ﺣﺪود ‪ 4‬ﺗﺎ ‪ 6‬ﻧﻤﻮﻧﻪ ﺟﺎي داده ﺷﻮد‪) .‬ﻓﺼﻞ ‪(10‬‬

‫‪ 4-3‬ﻣﺪل ﮔﺴﺴﺘﻪ‬
‫‪ Impulse invariance‬را ﺑﺎ دﺳﺘﻮر ‪ cd‬ﺑﺪﺳﺖ آورﻳﺪ‪ .‬اﻟﺒﺘﻪ ﺑﻬﺮه در ‪ z=1‬ﺑﺎﻳﺪ ﻣﺸﺎﺑﻪ ﺑﻬﺮه در ‪ s=0‬ﺑﺎﺷﺪ ﻛﻪ اﺣﺘﻤﺎﻻ ﺑﺎﻳﺪ دﺳـﺘﻲ‬
‫ﺗﻨﻈﻴﻢ ﻛﻨﻴﺪ‪.‬‬
 Nonlinear system identificationLAB4 4

‫ را ﻣﻼﺣﻈﻪ ﻛﻨﻴﺪ‬Two Tank System ‫ﻣﺜﺎل‬ •

Lab 4: Linear regression for function approximation. 1-4

ϕ ‫ در اﻳﻦ ﻣﺜـﺎل‬.‫ اﺳﺖ‬y=sum(ai ϕ(β(.).-c)) ‫ اﺳﺖ ﻛﻪ ﺑﺼﻮرت‬Basis ‫ﻳﻜﻲ از راﻫﻬﺎي ﺗﻘﺮﻳﺐ ﺗﻮاﺑﻊ ﻏﻴﺮ ﺧﻄﻲ اﺳﺘﻔﺎده از ﺗﻮاﺑﻊ‬
‫ ﺑﺮاي دﻳﺘﺎي اﺳﻜﺎﻟﺮ اﻳﻦ روش را‬cftool ‫ دﺳﺘﻮر‬.‫ ﺗﻨﻈﻴﻢ ﻣﻲ ﺷﻮد‬a ‫ اﺳﺖ ﻛﻪ اﻟﺒﺘﻪ ﻣﺮﻛﺰ و ﺷﻜﻞ آن ﺛﺎﺑﺖ و ﻓﻘﻂ وزن آﻧﻬﺎ‬RBF ‫ﻳﻚ‬
.‫ ﻋﻤﻠﻜﺮد اﻳﻦ دﺳﺘﻮر را ﻣﺮور ﻛﻨﻴﺪ‬.‫ﺑﻪ ﻧﺤﻮ ﺧﻮﺑﻲ ﻧﻤﺎﻳﺶ ﻣﻲ دﻫﺪ‬
‫ ﺑﺮاي اﻋﺘﺒﺎر‬val ‫ ﺑﺮاي ﺷﻨﺎﺳﺎﻳﻲ و‬id ‫ دو ﻓﺎﻳﻞ‬.‫ دﻳﺘﺎ دو ورودي و ﻳﻚ ﺧﺮوﺟﻲ دارد‬.‫ اﺳﺖ‬proj_fit_1.mat ‫دﻳﺘﺎ ﻓﺎﻳﻞ اﻳﻦ آزﻣﺎﻳﺶ‬
‫(و دﻳﮕﺮي ﻫﻤﺎن دﻳﺘﺎ ﺑﺼـﻮرت ﺑـﺮداري‬41*41) ‫ ﻳﻜﻲ ﺑﺼﻮرت ﻣﺎﺗﺮﻳﺴﻲ ﻣﺜﻼ‬.‫ ﻫﺮ دو ﻓﺎﻳﻞ ﺑﻪ دو ﺻﻮرت ذﺧﻴﺮه ﺷﺪه اﻧﺪ‬.‫ﺳﻨﺠﻲ اﺳﺖ‬
1*1681 ‫( ﺑﺎ ﺳﺎﻳﺰ‬flat)
.‫ را رﺳﻢ ﻛﻨﻴﺪ‬id ‫ ﻧﻤﻮدار‬mesh ‫ ﺑﺎ دﺳﺘﻮر‬.A
load ('proj_fit_1')
mesh(id.X{1}, id.X{2}, id.Y');
.1
1. Your will develop a approximator of this function, using a linear model with radial, Gaussian basis functions. use:
rbfapprox

% the RBF approximator creation takes as inputs:

% a) the limits of the domain as an input;
limx = minmax(id.Xflat);
% b) the number of basis functions on each dimension
% say we want 6 RBFs on each dimension (all examples are two-dimensional)
N = [6 6];
app = rbfapprox(limx, N);

y=ϕ’θ ‫ وﺟﻮد دارد‬id ‫ ﺗﻌﺪاد ﻧﻘﺎﻃﻲ از ﻣﻨﺤﻨﻲ اﺳﺖ ﻛﻪ در ﻓﺎﻳﻞ دﻳﺘﺎي‬1681 ‫ ﻫﺎ و‬RBF ‫ ﻣﻌﺮف ﺗﻌﺪاد‬36 ‫ ﻛﻪ‬36 *1681 ‫ ﺑﺎ ﺳﺎﻳﺰ‬ϕ ‫ ﺗﻮﻟﻴﺪ ﻣﺎﺗﺮﻳﺲ‬.2
for k=1:1681
phi(:,k) = app.phi(app, id.Xflat(:, k));
end
.‫ ﭘﺎراﻣﺘﺮ را ﺑﺮاي ﻓﻴﺖ ﺷﺪن دﻳﺘﺎ ﺑﻪ ﻣﺪل ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﻛﻨﺪ‬LS ‫ اﻳﻦ دﺳﺘﻮر ﺑﺎ‬θ=ϕ’\y ‫ ﺑﺎ دﺳﺘﻮر‬θ ‫ ﻣﺤﺎﺳﺒﻪ‬.3
theta=(phi')\id.Yflat';
.‫ و ﺧﻄﺎي ﺗﻘﺮﻳﺐ ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﺷﻮد‬.‫ ﺑﺎ ﺳﺎﻳﺰ ﻣﺘﻔﺎوت ﭼﻚ ﻣﻲ ﺷﻮد‬val ‫ ﻋﻤﻠﻜﺮد در راﺑﻄﻪ ﺑﺎ دﻳﺘﺎي‬θ ‫ ﺣﺎل ﺑﺮ اﺳﺎس ﻣﺤﺎﺳﺒﻪ‬.4
theta=(phi')\id.Yflat';
Yhat=0;
for k=1:5041
Yhat(k) = app.eval(app, val.Xflat(:, k), theta);
end
error=sum((Yhat-val.Yflat).^2)
‫ﺗﻐﻴﻴﺮ ﻣﻲ دﻫﺪ‬71*71 ‫ را ﺑﺼﻮرت ﻣﺎﺗﺮﻳﺴﻲ‬1*5041 ‫ دﻳﺘﺎي ﺑﺮداري‬reshape ‫دﺳﺘﻮر‬
Yhat = reshape(Yhat, val.dims);
mesh(val.X{1}, val.X{2}, val.Y);
hold on
mesh(val.X{1}, val.X{2}, Yhat);
hold off
 ‫‪ 2-4‬ﺷﺒﻴﻪ ﺳﺎزي ﻳﻚ ﺳﻴﺴﺘﻢ ﻏﻴﺮﺧﻄﻲ‬
‫‪ .A‬ﺳﻴﺴﺘﻢ ‪ :A‬ﺳﻴﺴﺘﻢ ﻏﻴﺮ ﺧﻄﻲ زﻳﺮ ‪ a= -0.5, b=1‬را ﺑﺎ ورودي ﻧﻮﻳﺰي )‪ N(0,1‬و اﺧﺘﻼل )‪ N(0,1‬ﺗﺤﺮﻳﻚ و دﻳﺘﺎي ورودي‪-‬‬
‫ﺧﺮوﺟﻲ را رﺳﻢ ﻛﻨﻴﺪ‪ .‬ﺗﻌﺪاد ﻧﻤﻮﻧﻪ ‪ 1024‬ﺑﺎﺷﺪ‬
‫‪x1 = x 2 + e1‬‬
‫‪x 2 = 1000 ( a − bx12 ) x 2 − x1 + u + e2‬‬
‫‪y = x2‬‬
‫‪ .B‬ﭘﺎﺳﺦ ﭘﻠﻪ آﻧﺮا رﺳﻢ و ﭘﺮﻳﻮد ﻧﻤﻮﻧﻪ ﺑﺮداري ﻣﻨﺎﺳﺐ را اﻧﺘﺨﺎب ﻛﻨﻴﺪ‪.‬‬
‫‪ .C‬ﺑﺎ دﺳﺘﻮر ‪ iddata‬دﻳﺘﺎي ﺑﺮاي ﺷﻨﺎﺳﺎﻳﻲ آﻣﺎده ﻧﻤﺎﻳﻴﺪ‪.‬‬
‫‪Sample codes‬‬
‫;‪ua=7‬‬ ‫‪% step amplitude‬‬
‫;‪t1=5‬‬ ‫‪%step end time‬‬
‫;]‪tspan=[0 10‬‬ ‫‪%time span‬‬
‫;‪y0=0‬‬ ‫‪% initial condition‬‬
‫‪[t,y] = ode45(@(t,y) diff10(t,y,ua,t1),tspan,y0); %others such as ode23 and so on‬‬
‫;)'‪plot(t,y(:,1),'-o‬‬
‫ﺳﭙﺲ ﻓﺎﻳﻞ ‪ diff10‬را ﺟﺪاﮔﺎﻧﻪ ﺑﻨﻮﻳﺴﻴﺪ‬
‫)‪function dv=diff10(t,v,ua,t1‬‬
‫‪if t<t1 u=ua; else u=0; end‬‬
‫;‪dv=-v*abs(v)+u‬‬

‫ﺳﻴﺴﺘﻢ ‪ : B‬ﺳﻴﺴﺘﻢ ﻏﻴﺮ ﺧﻄﻲ ﮔﺴﺴﺘﻪ را ﺑﺎ )‪ e∈N(0,1‬و )‪ u∈N(1,2‬ﺷﺒﻴﻪ ﺳﺎزي ﻛﻨﻴﺪ‬

‫] )‪y(t ) = y(t −1)[0.8 − 0.5e− y 2 (t −1) ] − y(t − 2)[0.3 + 0.9e− y 2 (t −1‬‬
‫) ‪+ u(t −1) + 0.2u(t − 2) + 0.1u(t −1)u (t − 2) + e(t‬‬
‫‪ .K‬ﺑﺎ دﺳﺘﻮر ‪ iddata‬دﻳﺘﺎ ﺑﺮاي ﺷﻨﺎﺳﺎﻳﻲ آﻣﺎده ﻧﻤﺎﻳﻴﺪ‬

‫‪ 3-4‬ﺷﻨﺎﺳﺎﻳﻲ ﺑﺮ اﺳﺎس ‪physical insight‬‬

‫ﭘﺎراﻣﺘﺮﻫﺎي ]‪ [0.8, -0.5, 0.3, 0.9, 1, 0.2, 0.1‬ﺳﻴﺴﺘﻢ را ﺑﺎ دﺳﺘﻮر ‪ nlarx‬ﺑﺎ رﮔﺮﺳﻮر ﺧﻄﻲ‪-‬ﻏﻴﺮ ﺧﻄﻲ ﺗﺨﻤﻴﻦ ﺑﺰﻧﻴﺪ و ﺑﺎ‬
‫ﺑﺎ ﺑﺮرﺳﻲ ‪ Re‬و ‪ Rue‬درﺳﺘﻲ ﻋﻤﻠﻜﺮد را اﻋﺘﺒﺎر ﺳﻨﺠﻲ ﻛﻨﻴﺪ )‪ Preprocessing‬را اﻧﺠﺎم دﻫﻴﺪ(‬
‫)}')‪m = nlarx(z1,[0 0 0],'linear','CustomReg',{'y1(t-1)^2','y1(t-2)*u1(t-3‬‬

‫‪Black box Nonlinear system identification 4-4‬‬

‫‪ .A‬ﺳﻴﺴﺘﻢ را ﺑﺎ اﺳﺘﻔﺎده از ‪ nlarx‬ﺗﺨﻤﻴﻦ ﺑﺰﻧﻴﺪ‪ .‬ﺑﺮاي آن ﺗﻮاﺑﻊ ﭘﺎﻳـﻪ ‪ treepartioning ،sigmoid ،wavelet‬را ﺑﻜـﺎر ﮔﺮﻓﺘـﻪ‬
‫ﻧﺘﺎﻳﺞ را ﻣﻘﺎﻳﺴﻪ ﻛﻨﻴﺪ‪.‬‬
‫‪ .B‬ﺗﺎﺑﻊ ﻏﻴﺮ ﺧﻄﻲ دﻟﺨﻮاه ﻣﻌﺮﻓﻲ و ﺗﻼش ﻛﻨﻴﺪ ﺳﻴﺴﺘﻢ را ﺷﻨﺎﺳﺎﻳﻲ ﻛﻨﻴﺪ‬
Sample code
load twotankdata
Ts = 0.2; % Sampling interval is 0.2 min
z = iddata(y,u,Ts); % constructs iddata object
m = nlarx(z,[4 4 1]) % na=nb=4 and nk=1
or
m3 = nlarx(ze,[2 2 3],wavenet('num',8));
or
Define model: m5 = idnlarx([2 2 3],sigmoidnet('num',14),'nlr',[1 2]); m5 = pem(ze,m5);
Model compare: compare(zv, m1,m2,m3,m4,m5)
or
NL = wavenet('NumberOfUnits',5);
m = nlarx(z,[4 4 1],NL)
or using custom nonlinearity: gaussunit.m.
function [f, g, a] = GAUSSUNIT(x)
[f, g, a] = gaussunit(x); f = exp(-x.*x);
if nargout>1 g = - 2*x.*f; a = 0.2; end
H = @gaussunit; CNetw = customnet(H);
m = nlarx(data,[na nb nk],CNetw)
‫ درﺳﺘﻲ ﻋﻤﻠﻜﺮد را اﻋﺘﺒﺎر ﺳﻨﺠﻲ ﻛﻨﻴﺪ‬Rue ‫ و‬Re ‫ ﺑﺮرﺳﻲ‬.C

Neural Network system identification 5-4

‫ ﺷﻨﺎﺳﺎﻳﻲ ﻛﻨﻴﺪ‬narxnet ‫ ﺳﻴﺴﺘﻢ را ﺑﺎ‬.A
Sample code
[X,T] = simpleseries_dataset;
net = narxnet(1:2,1:2,10)
[Xs,Xi,Ai,Ts] = preparets(net,X,{},T)
net = train(net,Xs,Ts,Xi,Ai);
view(net)
Y = net(Xs,Xi,Ai);
perf = perform(net,Ts,Y)
‫ درﺳﺘﻲ ﻋﻤﻠﻜﺮد را اﻋﺘﺒﺎر ﺳﻨﺠﻲ ﻛﻨﻴﺪ‬Rue ‫ و‬Re ‫ ﺑﺎ ﺑﺮرﺳﻲ‬.B

Fuzzy system modeling 6-4

.‫ ﺷﻨﺎﺳﺎﻳﻲ ﻛﻨﻴﺪ‬anfis ‫ ﺳﻴﺴﺘﻢ را ﺑﺎ روش‬.A
Sample program
x = (0:0.1:10)'; y = sin(2*x)./exp(x/5);
trnData = [x y]; numMFs = 5;
mfType = 'gbellmf'; epoch_n = 20;
in_fis = genfis1(trnData,numMFs,mfType);
out_fis = anfis(trnData,in_fis,20);
plot(x,y,x,evalfis(x,out_fis)); legend('Training Data','ANFIS Output');
‫ درﺳﺘﻲ ﻋﻤﻠﻜﺮد را اﻋﺘﺒﺎر ﺳﻨﺠﻲ ﻛﻨﻴﺪ‬Rue ‫ و‬Re ‫ ﺑﺎ ﺑﺮرﺳﻲ‬.B
 Lab5: Fault diagnosis 5

antialiasing ‫فيلتر‬

get(dry) iddata ‫نمايش محتوی‬

ze = detrend(ze); ‫حذف اختالل فرکانس پايين‬
showConfidence(impulseplot(mi),3); ‫پاسخ ضربه‬
m1 = ssest(ze); ‫تخمين مدل فضای حالت پيوسته‬
h = bodeplot(m1);
showConfidence(h,3)
m2 = arx(ze,[2 2 3]); Use "polydata", "getpvec", "getcov"

m3 = tfest(ze, 3, 1, 0.2)

zv = detrend(zv); % preprocess the validation data

compare(zv,m1,'b',m2,'r',m3,'c');

h = iopzplot(m1,'b',m2,'r',m3,'c');
deviations.showConfidence(h,3);
showConfidence(nyquistplot(m1,'b',m2,'r',m3,'c',gs,'g'),3)