系统识别工具箱
从测量的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™提供马铃薯®功能，金宝app®块，和一个应用程序从测量的输入输出数据构建动态系统的数学模型。它允许您创建和使用不易从第一个原理或规格建模的动态系统的型号。您可以使用时域和频域输入输出数据来识别连续时间和离散时间传输功能，流程模型和状态空间模型。工具箱还提供用于嵌入在线参数估计的算法。
该工具箱提供了识别技术，例如最大可能性，预测误差最小化（PEM）和子空间系统识别。要代表非线性系统动态，您可以估算具有小波网络，树分区和SIGMOID网络非线性的Hammerstein-Wiener模型和非线性ARX模型。工具箱执行灰度盒系统识别，以估计用户定义模型的参数。您可以使用Simulink中的系统响应预测和工厂建模的识别模型。金宝app该工具箱还支持时间序列数据建模和时金宝app间序列预测。
开始：
数据导入和预处理
导入测量的时域和频域数据。您可以通过执行诸如拒绝，过滤，重采样以及重建缺失数据的操作来预处理数据。
模型估计和验证
从测量的输入输出数据识别线性和非线性模型。您可以比较已识别的模型，分析其属性，计算它们的置信度界限，并对测试数据集进行验证。
国家空间和多项式模型
确定系统的最佳模型顺序和估算状态空间模型。您还可以估计ARX，ARMAX，BOX-JENKINS和输出误差多项式模型。
频率和脉冲响应模型
使用频谱和相关分析来估计系统的模型，从频率和时域数据估算系统的模型。频率响应数据也可以使用Simulink控制设计从Simulink模型获得。金宝app
使用递归模型进行参数估计
使用递归模型估算系统的模型，该模型将其参数更新为新数据。您可以使用内置Simulink块实现这些模型。金宝app使用Simulink Coder™从块生成C / C ++代码，以目标嵌入式设备。金宝app
与卡尔曼过滤器的状态估计
使用线性，扩展或Unscented Kalman滤波器以及粒子过滤器来估计系统状态。您可以使用内置Simulink块实现这些算法。金宝app使用Simulink Coder™从块生成C / C ++代码，以目标嵌入式设备。金宝app
与Simulink集成金宝app
在Simulink中使用内置块实现估计的模型，状态估计器和递归模型。金宝app您可以使用这些块执行系统分析和控制设计任务。
控制器设计
使用您估计的型号用于使用控制系统工具箱设计和调整控制器。在PID调谐器应用中使用系统识别功能，从测量数据或使用不断的模拟模拟估计线性工厂动态。金宝app
非线性ARX模型
通过将自回归模型与由小波网络，树分区，统计网络和神经网络表示的非线性相结合来模拟您的系统（与 深度学习工具箱™）。
非线性ARX模型估计
Hammerstein-Wiener模型
估计诸如线性系统的输入和输出时存在的静态非线性扭曲。例如，您可以估计影响运行直流电电机的输入电流的饱和度水平。
线性灰盒式型号
使用微分方程，差分方程或状态空间系统模拟您的线性系统。从测量的输入输出数据估计指定模型参数，例如摆动质量和长度或电机电阻和反电动势恒定。
直流电机的线性灰度盒模型。
由非线性灰度盒模型的非线性灰度箱模型更好地表示两个罐系统。
时间序列模型
估算时间序列模型以符合系统测量数据。然后，您可以预测时间序列模型的未来值，以预测您的系统如何表现。
时间序列模型可用于预测设备健康。
