系统辨识工具箱
根据输入输出数据创建线性和非线性动态系统模型
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。
开始
学习系统识别工具箱的基础知识
数据准备
绘制、分析、趋势和过滤时频域数据,生成和导入数据
线性模型识别
识别脉冲响应,频率响应和参数模型,如线性状态空间和传递函数模型
非线性模型识别
识别非线性ARX、Hammerstein-Wiener和灰盒模型
灰色矩形模型估计
估计线性和非线性微分、差分和状态空间方程的系数
模型验证
将模型与实测输出、残差分析、带置信度的响应图进行比较
模型分析
离散模型,转换模型为其他类型,线性化非线性模型,模拟和预测输出
时间序列分析
通过识别线性和非线性模型(如AR、ARMA、状态空间和灰盒模型)分析时间序列数据,执行光谱分析和预测模型输出
在线评估
在系统运行过程中估计模型参数和状态,生成代码并部署到嵌入式目标