Имейте дело с несколькими экспериментами и моделями слияния при работе с System Identification Toolbox™ для оценки и совершенствования моделей.

Создайте мультиэксперимент, набор данных временного интервала путем слияния только сегментов точных данных и игнорирования остальных.

Управляйте объектами данных и объектами модели, доступными в System Identification Toolbox.

Разработайте и анализируйте простые модели из действительной лаборатории, обрабатывают данные.

Некоторые методы для выбора и конфигурирования структуры модели. Оценка модели с помощью данных об измерении требует выбора структуры модели (такой как пространство состояний или передаточная функция) и ее порядок (e.g., количество полюсов и нулей) заранее. Этот выбор под влиянием предварительных знаний о смоделированной системе, но может также быть мотивирован анализом самих данных. Этот пример описывает некоторые опции для определения порядков модели и входной задержки.

Оцените модели с помощью данных о частотном диапазоне. Оценка и валидация моделей с помощью данных о частотном диапазоне работают одинаково, как они делают с данными об области времени. Это обеспечивает большое количество гибкости по оценке и анализу моделей, использующих время и частотный диапазон, а также спектральные данные (FRF). Можно одновременно оценить модели с помощью данных в обеих областях, сравнить и объединить эти модели. Модель, оцененная с помощью данных об области времени, может быть подтверждена с помощью спектральных данных или наоборот.

Преимущества регуляризации для идентификации линейных и нелинейных моделей.

Создайте простые модели процессов с помощью System Identification Toolbox™. Методы для создания этих моделей и оценки их параметров с помощью экспериментальных данных описаны. Этот пример требует Simulink®.

Выполните спектральную оценку на данных временных рядов. Мы используем тест Марпла (Комплексные данные в Л. Марпле: С.Л. Марпл младший, Цифровой Спектральный анализ с Приложениями, Prentice Hall, Englewood Cliffs, NJ 1987.)

Оцените ARMAX и модели OE-формы с помощью подхода оценки пространства состояний.

Оцените передаточную функцию от измеренных данных сигнала.

Оцените передаточную функцию из данных о частотной характеристике.

Идентифицируйте передаточную функцию, содержащую конкретное количество полюсов для определенных данных.

Идентифицируйте передаточную функцию, чтобы соответствовать данным данным о частотной характеристике (FRD), содержащим дополнительный список фазы от вызванного входной задержкой.

Оцените модель передаточной функции, когда структура ожидаемой модели известна, и примените ограничения к коэффициентам знаменателя и числителю.

Оцените модели передаточной функции с задержками ввода-вывода.

Оцените модель передаточной функции с неизвестными транспортными задержками и примените верхнюю границу на неизвестные транспортные задержки.

Улучшите оценку модели частотного диапазона путем предварительной обработки данных и применения зависимых частотой фильтров взвешивания.

Оцените параметры в пользовательских структурах модели.

Оцените параметры модели с помощью линейного и нелинейного моделирования серого ящика.

Оцените модель, которая параметрируется полюсами, нулями и усилениями. Пример требует программного обеспечения Control System Toolbox™.

Идентифицируйте один вход один выход (SISO) нелинейные модели черного квадрата с помощью измеренных данных ввода - вывода.

Используйте пользовательские регрессоры в SISO и MIMO нелинейные модели ARX (IDNLARX).

Оцените нелинейные модели ARX при помощи линейных моделей ARX.

Идентифицируйте один вход один выход (SISO) нелинейные модели черного квадрата с помощью измеренных данных ввода - вывода.

Оцените модели Хаммерстайна-Винера с помощью линейных моделей OE.

Нелинейное моделирование серого ящика динамики аппарата.

Моделирование серого ящика большого и объединяет нелинейную систему.

Моделирование серого ящика динамики руки промышленного робота.

Создайте, оцените и анализируйте нелинейные модели серого ящика.

Выполните IDNLGREY, моделирующий на основе файлов модели C MEX.

Создайте нелинейные серые модели временных рядов поля.

Идентифицируйте параметры комплекса все же искусственная нелинейная система дискретного времени с одним входом и одним выходом.

Моделирование серого ящика статического одно входа, система одно выхода с помощью функции MATLAB в качестве файла ОДУ.

Предоставьте дополнительные входные параметры моделям IDNLGREY.

Оцените параметры нелинейной серой модели поля, использующей несколько данных об эксперименте.

Спроектируйте файлы модели C-MEX, которые включают скаляр, вектор и параметры матрицы.

Включайте и симулируйте модель IDNLGREY в Simulink.

Как выбор алгоритма оценки может повлиять на результаты для нелинейной серой оценки модели поля.

Запишите файлы ОДУ для нелинейных моделей серого ящика как MATLAB и файлы MEX на C.

Оцените параметры модели с помощью линейного и нелинейного моделирования серого ящика.

Оцените первоначальную модель и совершенствуйте ее с помощью pem.

Совершенствуйте модели, для которых у вас есть начальные предположения параметра.

Подтвердите предполагаемую модель путем сравнения симулированного выхода модели с результатами измерений, который не использовался для исходной оценки.

Описывает рабочий процесс для получения предполагаемых начальных условий (ICS) для модели передаточной функции и использования ICS при симуляции модели. Пример также показывает, как использовать ICS, когда вы преобразуете модель от одного типа модели до другого.

Выполните многомерное прогнозирование временных рядов данных, измеренных от хищника и популяций добычи в сценарии давки добычи. Движущие силы изменения населения добычи хищника моделируются с помощью линейных и нелинейных моделей временных рядов. Прогнозирование эффективности этих моделей сравнено.

Реализуйте онлайновую рекурсивную оценочную функцию методом наименьших квадратов. Вы оцениваете нелинейную модель двигателя внутреннего сгорания и используете рекурсивные наименьшие квадраты, чтобы обнаружить изменения в инерции механизма.

Реализуйте онлайновое полиномиальное средство оценки модели. Вы оцениваете две модели ARMAX для нелинейного процесса химической реакции. Эти модели получают поведение процесса в двух условиях работы. Поведение модели идентифицируется онлайн и используется, чтобы настроить усиления адаптивного ПИ-контроллера во время работы системы.

Демонстрирует использование блока Particle Filter в System Identification Toolbox™. Задача оценки параметра передаточной функции дискретного времени переформулирована и рекурсивно решена как проблема оценки состояния.

Выполните онлайновую оценку параметра для изменяющейся во времени модели ARX в командной строке MATLAB. Параметры модели обновляются на каждом временном шаге с входящими новыми данными. Эта модель получает изменяющуюся во времени динамику линейного объекта.

Выполните онлайновую оценку параметра для подбора кривой линии с помощью рекурсивных алгоритмов оценки в командной строке MATLAB. Вы получаете изменяющееся во времени поведение ввода - вывода гидравлического клапана передачи с плавкой регулировкой.

Оцените состояния линейных систем с помощью изменяющихся во времени Фильтров Калмана в Simulink.

Используйте блок Extended Kalman Filter, чтобы оценить состояния системы с несколькими датчиками, которые действуют на различных частотах дискретизации.

Демонстрирует использование блока Particle Filter в System Identification Toolbox™. Задача оценки параметра передаточной функции дискретного времени переформулирована и рекурсивно решена как проблема оценки состояния.

Используйте алгоритм сигма-точечного фильтра Калмана для нелинейной оценки состояния для осциллятора Ван дер Поля.