Линейные идентификационные основы модели
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 оценки модели приложение и в командной строке.
Выбор структуры модели: определение задержки порядка и входа модели
Этот пример показывает некоторые методы для выбора и конфигурирования структуры модели.
Идентификация частотного диапазона: оценка моделей Используя данные о частотном диапазоне
В этом примере показано, 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
В этом примере показано, 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 структур модели.
Линейная модель часто достаточна, чтобы точно описать системную динамику и, в большинстве случаев, необходимо сначала попытаться подбирать линейные модели.
Линейные структуры модели
Моделирование черного ящика полезно, когда ваш главный интерес находится в подгонке данных независимо от конкретной математической структуры модели.
Рекомендуемая последовательность оценки модели
Рекомендуемая последовательность оценки модели, от самого простого до структур более сложной модели.
Наложение ограничений на значения параметра модели
Все идентифицированные линейные модели (IDLTI), кроме idfrd, содержите Structure свойство.
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 моделях непрерывного времени
Междемонстрационное поведение входных сигналов влияет на оценку, симуляцию и предсказание моделей непрерывного времени.
Моделирование нескольких - Выходные системы
Поддерживаемые модели для нескольких - выходные системы.
Функция потерь и метрики качества модели
Сконфигурируйте функцию потерь, которая минимизирована во время оценки параметра. После оценки используйте метрики качества модели, чтобы оценить качество идентифицированных моделей.
Упорядоченные оценки параметров модели
Регуляризация является методом для определения ограничений на гибкость модели, таким образом, уменьшая неопределенность в предполагаемых значениях параметров.
estimation report содержит информацию о результатах и опциях, используемых для оценки модели.
Следующие шаги после получения точной модели
Как можно работать с идентифицированными моделями.
