Линейные модели являются самыми простыми моделями, можно идентифицировать использование System Identification Toolbox™. Используйте линейную идентификацию модели, когда линейная модель будет достаточна, чтобы полностью получить вашу системную динамику. Чтобы идентифицировать линейные модели, вы начинаете с временного интервала или данных ввода - вывода частотного диапазона и структуры модели, такой как модель передаточной функции или пространство состояний. Программное обеспечение итеративно настраивает свободные параметры модели для того, чтобы минимизировать различие между измеренным выходом и симулированным ответом модели на входные данные. Тулбокс позволяет вам выполнять задачи, такие как следующее:
Оцените линейные модели с помощью определенной структуры модели.
Используйте подход моделирования черного ящика и исследуйте, какая структура модели лучше всего удовлетворяет вашим данным.
Создайте предварительную линейную модель и используйте ее, чтобы инициализировать параметры модели, которую вы хотите оценить.
Включите системное знание в свою модель путем фиксации известных параметров к определенным значениям.
Используйте упорядоченную оценку, чтобы уменьшать неопределенность в вашей модели путем ограничения гибкости модели.
Идентифицируйте линейные модели Используя приложение System Identification
Идентифицируйте линейные модели черного ящика от single-input/single-output (SISO) данные с помощью приложения System Identification.
Идентифицируйте линейные модели Используя командную строку
Идентифицируйте линейные модели от multiple-input/single-output (MISO) данные с помощью команд System Identification Toolbox.
Идентификация частотного диапазона: оценка моделей Используя данные частотной области
В этом примере показано, как оценить модели с помощью данных частотной области.
estimation report содержит информацию о результатах и опциях, используемых для оценки модели.
Об идентифицированных линейных моделях
Использование программного обеспечения System Identification Toolbox возражает, 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 главный интерес находится в подгонке данных независимо от конкретной математической структуры модели.
Выбор структуры модели: определение задержки порядка и входа модели
Этот пример показывает некоторые методы для выбора и конфигурирования структуры модели.
Моделирование нескольких - Выходные системы
Используйте несколько - выходная техника моделирования, которая удовлетворяет сложности и внутренней связи ввода - вывода вашей системы.
Типы объекта модели включают числовые модели для представления систем с фиксированными коэффициентами и обобщенных моделей для систем с настраиваемыми или неопределенными коэффициентами.
Линейные модели в System Identification Toolbox принимают форму объектов модели, которые являются линейными структурами модели. Можно создать объекты модели непосредственно или использовать команды оценки, чтобы и создать и оценить модели. Можно также изменить свойства существующих объектов модели.
Наложение ограничений на значения параметра модели
Ограничьте корректировки, которые алгоритм оценки может внести в отдельные параметры модели при помощи Structure свойство объекта режима.
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.
Упорядоченные оценки параметров модели
Регуляризация является методом для определения ограничений на гибкость модели, таким образом, уменьшая неопределенность в предполагаемых значениях параметров.
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.
Эффект входного междемонстрационного поведения на моделях непрерывного времени
Междемонстрационное поведение входных сигналов влияет на оценку, симуляцию и предсказание моделей непрерывного времени.
