系统辨识工具箱™提供了MATLAB®函数,仿真软件®块,应用动态系统建模、时间序列分析和预测。你可以学习动态测量变量创建转移函数之间的关系,过程模型和状态空间模型在连续或离散时间在使用时间或频率域数据。您可以使用AR时间序列预测、ARMA和其他线性和非线性自回归建模技术。
工具箱允许您使用Hammerstein-Wiener估计非线性系统动力学和非线性ARX模型与机器学习技术,如高斯过程(GP),支持向量机(SVM)和其他表示。或者,您可以创建神经常微分方程(ODE)使用深度学习捕捉非线性系统动力学模型。工具箱允许执行的方框一个用户定义的模型的参数估计系统识别。可以为快速识别模型集成到仿真软件模拟来启用应用程序控制设计和诊断和预后。
您可以执行在线参数和状态估计使用扩展或无味卡尔曼滤波器和自适应控制粒子过滤器,故障检测,软传感应用。工具箱允许您生成C / c++代码在线估计算法针对嵌入式设备。
系统识别应用
使用系统辨识程序交互式地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,分析其特性,并验证模型对测试数据集。
线性系统辨识
估计线性模型从时间或频域测量数据等应用程序控制设计、系统仿真和预测。创建传递函数、过程模型、状态方程模型和多项式在连续或离散时间模型。利用光谱分析估计频率特性模型。计算和可视化效果的参数不确定性对模型在时间和频率域响应。
基于非线性系统识别
结合机器学习和深度学习技术与非线性ARX和Hammerstein-Wiener模型来描述系统的非线性动力学。与统计和机器学习的工具箱™和深度学习工具箱™,使用支持向量机(SVM),树乐团,高斯过程,表示非线性前馈网络。此外,使用神经颂歌集创建深度上优于非线性状态空间模型。
控制系统设计和仿真软件
用你的估计模型植物模型设计和优化控制器控制系统工具箱™。实现估计模型、状态估计和递归模型在仿真软件使用内置块系统分析,虚拟传感器建模,建模,减少和控制设计。
部署
使用代码生成来部署估计模型、状态估计和递归模型等应用程序的在线故障检测,降阶建模(ROM)、诊断和预测。生成C / c++代码和IEC 61131 - 3结构化文本使用仿真软件编码器™和仿真软件PLC编码器™分别对模型在仿真软件中实现。使用MATLAB编码器™在MATLAB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:
“通过改善我们现有的误判率控制系统的性能使用优化工具箱和系统辨识工具箱,我们大大减少废气生产。作为发展评价研究的一部分,一个引擎处于开发阶段,我们发现,在某些情况下,氮氧化物 和CO排放减少一半或更多。”
Hiroshi Katoh,日产汽车公司
