Линейные модели являются самыми простыми моделями, которые можно идентифицировать с помощью System Identification Toolbox™. Используйте линейную идентификацию модели, когда линейной модели достаточно, чтобы полностью захватить динамику вашей системы. Чтобы идентифицировать линейные модели, вы начинаете с данных ввода-вывода во временной области или частотном диапазоне и структуры модели, такой как модель пространства состояний или передаточной функции. Программа итерационно настраивает параметры свободной модели в порядок, чтобы минимизировать различие между измеренным выходом и моделируемой моделью на входные данные. Тулбокс позволяет вам выполнять такие задачи, как следующее:
Оцените линейные модели с помощью определенной структуры модели.
Используйте подход черного ящика для моделирования и исследуйте, какая структура модели лучше всего подходит для ваших данных.
Создайте предварительную линейную модель и используйте ее, чтобы инициализировать параметры модели, которую вы хотите оценить.
Включите системные знания в свою модель путем фиксации известных параметров к конкретным значениям.
Используйте регулярную оценку, чтобы уменьшить неопределенность в вашей модели, ограничивая гибкость модели.
Идентифицируйте линейные модели, используя Систему идентификации приложение
Идентифицируйте линейные модели черного ящика из данных single-input/single-output (SISO) с помощью приложения Системы идентификации.
Идентифицируйте линейные модели с помощью командной строки
Идентифицируйте линейные модели из данных multi-input/single-output (MISO) с помощью команд System Identification Toolbox.
Идентификация частотного диапазона: оценка моделей с использованием данных частотного диапазона
Этот пример показывает, как оценить модели, используя данные частотного диапазона.
Этот estimation report содержит информацию о результатах и опциях, используемых для оценки модели.
Об идентифицированных линейных моделях
Программное обеспечение System Identification Toolbox использует объекты, чтобы представлять множество линейных и нелинейных структур модели.
Сводные данные линейных типов модели, которые можно использовать для системы идентификации.
Моделирование черного ящика полезно, когда ваш основной интерес к подгонке данных независимо от конкретной математической структуры модели.
Выбор структуры модели: определение порядка модели и задержки на входе
В этом примере показаны некоторые методы выбора и конфигурации структуры модели.
Моделирование систем с несколькими выходами
Используйте несколько выходов техники моделирования, который подходит для сложности и внутреннего ввода-вывода вашей 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 в System Identification Toolbox принимают форму объектов модели, которые являются линейными структурами модели. Можно создавать объекты модели непосредственно или использовать команды оценки для создания и оценки моделей. Можно также изменить свойства существующих объектов модели.
Наложение ограничений на значения параметров модели
Ограничьте корректировки, которые алгоритм оценки может внести в отдельные параметры модели, используя Structure свойство объекта mode.
Регулярная идентификация динамических систем
Этот пример показывает преимущества регуляризации для идентификации линейных и нелинейных моделей.
Оценка упорядоченной модели ARX с помощью Системы идентификации приложения
В этом примере показов, как оценить регуляризованные модели ARX, используя автоматически сгенерированные константы регуляризации в приложении Системы идентификации.
Регламентированные оценки параметров модели
Регуляризация является методом для определения ограничений на гибкость модели, тем самым уменьшая неопределенность в оцененных значениях параметров.
Функция потерь и моделируйте метрики качества
Сконфигурируйте функцию потерь, которая минимизируется во время оценки параметра. После оценки используйте метрики качества модели для оценки качества идентифицированных моделей.
Влияние Входа Межвыборки поведения на модели непрерывного времени
Интерсамповое поведение входных сигналов влияет на оценку, симуляцию и предсказание моделей в непрерывном времени.
