系统辨识工具箱
利用实测输入输出数据建立线性和非线性动态系统模型
系统识别工具箱™ 提供MATLAB®功能,金宝app®积木，和应用程序用于从测量的输入-输出数据构建动态系统的数学模型。它允许您创建和使用动态系统的模型，而不容易从基本原理或规范进行建模。您可以使用时域和频域的输入-输出数据来识别连续时间和离散时间的传递函数、过程模型和状态空间模型。工具箱还提供了用于嵌入式在线参数估计的算法。
该工具箱提供了最大似然、预测误差最小化（PEM）和子空间系统辨识等辨识技术。为了表示非线性系统动力学，可以使用小波网络、树划分和sigmoid网络非线性来估计Hammerstein-Wiener模型和非线性ARX模型。工具箱进行灰箱系统辨识，用于估计用户定义模型的参数。您可以在Simulink中使用已识别的模型进行系统响应预测和设备建模。工具箱还支持时间序列数据建模和时间序列预测。金宝app金宝app
入门：
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取消呈现、筛选、重新采样等操作来预处理数据，还可以重建丢失的数据。
模型估计与验证
从测得的输入输出数据来识别线性和非线性模型。你可以比较确定的模型，分析它们的属性，计算它们的置信区间，并对其进行验证测试对数据集。
国家空间和多项式模型
确定最佳的模型阶和系统的估计状态空间模型。您也可以估算ARX，ARMAX，箱詹金斯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从频域和时域数据估计系统模型。频率响应数据也可以通过Simulink控制设计从Simulink模型中获得。金宝app
递归模型参数估计
使用递归模型更新它们的参数作为新的数据来估计在你的系统中实时的典范。您可以实现这些模型使用内置的Simulink模块。金宝app产生从利用Simulink编码器™到目标嵌入式设备块C / C ++代码。金宝app
卡尔曼滤波状态估计
使用线性从实时数据估计系统状态，扩展或无迹卡尔曼滤波器以及颗粒过滤器。您可以实现这些算法使用内置的Simulink模块。金宝app产生从利用Simulink编码器™到目标嵌入式设备块C / C ++代码。金宝app
集成的Simulink金宝app
使用内置块在Simulink中实现估计模型、状态估计器和递归模型。可以使用这些块执行系统分析和控制设计任务。金宝app
控制器设计
使用您估计设计和优化控制器与控制系统工具箱模型。在PID调谐器应用使用系统识别的功能来估计从测得的数据或Simulink模型与不连续线性植物动力学。金宝app
非线性ARX模型
通过自回归模型与小波网络，树分区，乙状网络和神经网络为代表的非线性模型相结合的系统（带 深度学习工具箱™ )。
小波非线性估计的非线性ARX模型。
汉默斯坦 - 维纳模型
估计存在于线性系统的输入和输出的静态非线性失真。例如，可以估计影响直流电动机输入电流的饱和水平。
双墨盒系统最好通过一个非线性灰色盒模型比线性模型描写。
时间序列模型
估计时间序列模型以适应来自系统的测量数据。然后可以预测时间序列模型的未来值，以预测系统的行为。
时间序列模型可以用来预测设备的健康状况。
实时编辑器任务
对损失函数应用加权预滤波提高估计状态空间和过程模型的精度
实时编辑器任务
交互执行状态空间和过程模型识别任务，并在实时脚本中生成MATLAB代码
延长的和无香味的卡尔曼过滤器的残留物
计算残差和预测过滤器的残留协方差
见发布说明有关这些功能和相应功能的详细信息。
