Линейные образцовые идентификационные основы
Примеры и руководства
Идентифицируйте линейные модели Используя приложение System Identification
Идентификация линейных моделей черного ящика от single-input/single-output (SISO) данные с помощью приложения System Identification.
Идентифицируйте линейные модели Используя командную строку
Идентификация линейных моделей от multiple-input/single-output (MISO) данные с помощью команд System Identification Toolbox™.
Спецификация структуры передаточной функции
Задайте значения и ограничения для числителя, знаменателя и транспортируйте задержки.
Определение начальных условий для итеративной оценки передаточных функций
Задайте, как начальные условия обработаны во время образцовой оценки приложение и в командной строке.
Образцовый выбор структуры: определение образцовой задержки порядка и входа
Этот пример показывает некоторые методы для выбора и конфигурирования образцовой структуры.
Идентификация частотного диапазона: оценка моделей Используя данные о частотном диапазоне
Этот пример показывает, как оценить модели с помощью данных о частотном диапазоне.
Упорядоченная идентификация динамических систем
Этот пример показывает преимущества регуляризации для идентификации линейных и нелинейных моделей.
Оцените упорядоченную модель ARX Используя приложение System Identification
Этот пример показывает, как оценить упорядоченные модели ARX, использующие автоматически сгенерированные константы регуляризации в приложении System Identification.
Концепции
Типы объекта модели включают числовые модели для представления систем с фиксированными коэффициентами и обобщенных моделей для систем с настраиваемыми или неопределенными коэффициентами.
Об идентифицированных линейных моделях
Использование программного обеспечения System Identification Toolbox возражает, чтобы представлять множество линейных и нелинейных образцовых структур.
Линейная модель часто достаточна, чтобы точно описать системную динамику и, в большинстве случаев, необходимо сначала попытаться соответствовать линейным моделям.
Линейные образцовые структуры
Моделирование черного ящика полезно, когда ваш главный интерес находится в подгонке данных независимо от конкретной математической структуры модели.
Рекомендуемая образцовая последовательность оценки
Рекомендуемая образцовая последовательность оценки, от самого простого до структур более сложной модели.
Наложение ограничений на значения параметра модели
Все идентифицированные линейные модели (IDLTI), кроме idfrd, содержат свойство Structure.
Определение порядка модели и задержки
Оценка требует, чтобы вы задали порядок модели и задержку. Много раз эти значения не известны.
Эффект входного междемонстрационного поведения на непрерывно-разовых моделях
Междемонстрационное поведение входных сигналов влияет на оценку, симуляцию и прогноз непрерывно-разовых моделей.
Моделирование нескольких - Выходные системы
Поддерживаемые модели для нескольких - выходные системы.
Функция потерь и образцовые метрики качества
Сконфигурируйте функцию потерь, которая минимизирована во время оценки параметра. После оценки используйте образцовые метрики качества, чтобы оценить качество идентифицированных моделей.
Упорядоченные оценки параметров модели
Регуляризация является методом для определения ограничений на гибкость модели, таким образом, уменьшая неуверенность в предполагаемых значениях параметров.
estimation report содержит информацию о результатах и опциях, используемых для образцовой оценки.
Следующие шаги после получения точной модели
Как можно работать с идентифицированными моделями.
