Линейные модели являются простейшими моделями, которые можно идентифицировать с помощью Toolbox™ идентификации системы. Используйте идентификацию линейной модели, когда линейной модели достаточно для полного захвата динамики системы. Чтобы определить линейные модели, начните с входных-выходных данных временной или частотной области и структуры модели, такой как модель состояния-пространства или передаточной функции. Программное обеспечение итеративно корректирует параметры свободной модели, чтобы минимизировать разницу между измеренным выходом и смоделированным откликом модели на входные данные. Панель инструментов позволяет выполнять следующие задачи:
Оценка линейных моделей с использованием определенной структуры модели.
Используйте метод моделирования «черного ящика» и изучите, какая структура модели лучше всего подходит для ваших данных.
Создайте предварительную линейную модель и используйте ее для инициализации параметров модели, которую требуется оценить.
Включение знаний о системе в модель путем привязки известных параметров к определенным значениям.
Используйте регуляризованную оценку, чтобы уменьшить неопределенность в модели, ограничивая гибкость модели.
Определение линейных моделей с помощью приложения для идентификации системы
Определение линейных моделей черного ящика из данных с одним входом/одним выходом (SISO) с помощью приложения System Identification.
Определение линейных моделей с помощью командной строки
Определение линейных моделей из данных с несколькими входами/одним выходом (MISO) с помощью команд панели инструментов идентификации системы.
Идентификация частотной области: оценка моделей с использованием данных частотной области
В этом примере показано, как оценивать модели с использованием данных частотной области.
Отчет об оценке содержит информацию о результатах и вариантах, используемых для оценки модели.
Сведения об определенных линейных моделях
Программа System Identification Toolbox использует объекты для представления различных линейных и нелинейных структур модели.
Сводка типов линейных моделей, которые можно использовать для идентификации системы.
Моделирование в черном ящике полезно, когда вы заинтересованы в подборе данных независимо от определенной математической структуры модели.
Выбор структуры модели: определение порядка модели и задержки ввода
В этом примере показаны некоторые методы выбора и конфигурирования структуры модели.
Моделирование систем с несколькими выходами
Используйте метод моделирования с несколькими выходами, который соответствует сложности и внутренней связи ввода-вывода системы.
Типы объектов модели включают числовые модели для представления систем с фиксированными коэффициентами и обобщенные модели для систем с настраиваемыми или неопределенными коэффициентами.
Линейные модели на панели инструментов идентификации системы принимают форму объектов модели, являющихся линейными структурами модели. Объекты модели можно создавать непосредственно или использовать команды оценки как для построения, так и для оценки моделей. Можно также изменить свойства существующих объектов модели.
Наложение ограничений на значения параметров модели
Ограничьте настройки, которые алгоритм оценки может внести в отдельные параметры модели, используя Structure свойства объекта mode.
Регуляризованная идентификация динамических систем
В этом примере показаны преимущества регуляризации для идентификации линейных и нелинейных моделей.
Оценка регуляризованной модели ARX с использованием приложения для идентификации системы
В этом примере показано, как оценить регуляризованные модели ARX с использованием автоматически генерируемых констант регуляризации в приложении System Identification.
Регуляризованные оценки параметров модели
Регуляризация - это метод определения ограничений на гибкость модели, тем самым уменьшая неопределенность в оценочных значениях параметров.
Функции потерь и показатели качества модели
Сконфигурируйте функцию потерь, минимизированную во время оценки параметров. После оценки используйте метрики качества модели для оценки качества идентифицированных моделей.
Влияние поведения входных интерсампл на модели непрерывного времени
Интерсимпульсное поведение входных сигналов влияет на оценку, моделирование и прогнозирование моделей непрерывного времени.
