系统识别工具箱™提供MATLAB®函数,仿真软件®块，以及用于动态系统建模、时间序列分析和预测的应用程序。您可以学习测量变量之间的动态关系，从而在连续或离散时间中创建传递函数、过程模型和状态空间模型，同时使用时间域或频域数据。您可以使用AR、ARMA和其他线性和非线性自回归建模技术来预测时间序列。
该工具箱允许您使用Hammerstein-Wiener和带有机器学习技术(如高斯过程(GP)、支持向量机(SVM)和其他表示的非线性ARX模型来估计非线性系统动力学。或者，您可以使用深度学习创建神经常微分方程(ODE)模型来捕获非线性系统动力学。该工具箱允许您执行灰盒系统识别，以估计用户定义模型的参数。您可以将识别的模型集成到Simulink中进行快速模拟，以实现控制设计和诊断和预后应用。
您可以使用扩展或无气味卡尔曼滤波器和粒子滤波器进行在线参数和状态估计，用于自适应控制、故障检测和软测量应用。该工具箱允许您为针对嵌入式设备的在线估计算法生成C/ c++代码。
系统识别应用
使用系统识别应用程序交互式估计系统的线性和非线性模型。导入和预处理时域和频域数据。识别和比较模型，分析它们的属性，并根据测试数据集验证模型。
线性系统辨识
从测量的时间或频率域数据估计线性模型的应用，如控制设计，系统仿真，和预测。在连续或离散时间内创建传递函数、过程模型、状态空间模型和多项式模型。利用光谱分析估计频率响应模型。在时域和频域上计算和可视化参数不确定性对模型响应的影响。
基于人工智能的非线性系统辨识
将机器学习和深度学习技术与非线性ARX和Hammerstein-Wiener模型相结合，描述系统的非线性动力学。与统计和机器学习工具箱™而且深度学习工具箱™，使用支持向量机(SVM)、树集成、高斯过程和前馈网络来表示非线性。此外，利用神经ode创建基于深度学习的非线性状态空间模型。
在线评估
使用递归算法实时估计系统的模型，该算法在新数据可用时更新模型参数。使用线性、扩展或无气味卡尔曼滤波器以及粒子滤波器估计系统状态。
控制系统设计与Simulink
使用你估计的模型作为工厂模型来设计和调整控制器控制系统工具箱™．在Simulink中使用内置块实现估计模型、状态估计器和递归模型，用于系统分析、虚拟传感器建模、降阶建模和控制设计。
部署
使用代码生成为在线故障检测、降阶建模(ROM)、诊断和预测等应用程序部署估计模型、状态估计器和递归模型。生成C/ c++代码和IEC 61131-3结构化文本使用仿真软件编码器™而且仿真软件PLC编码器™分别为在Simulink中实现的模型。使用MATLAB编码器™在MATLAB中生成C/ c++代码。另外,使用MATLAB编译器™生成独立的应用程序。
产品资源:
“通过使用优化工具箱和系统识别工具箱改进我们现有的AFR控制系统的性能，我们显著减少了废气产量。作为开发评估研究的一部分，我们发现在一定条件下，NOx 和CO的排放量减少了一半或更多。”
Hiroshi Katoh，日产汽车公司
接下来是什么?
您也可以从以下列表中选择网站: