使用系统辨识App-MATLAB和Simulink辨识线性模型金宝app - 金宝app,下载188bet金宝搏,金宝搏官方网站

使用系统识别应用程序识别线性模型

介绍

目标

从单输入/单输出（SISO）数据中估计和验证线性模型，以查找最能描述系统动态的数据模型。

完成本教程后，您将能够使用系统识别应用程序完成以下任务:

从MATLAB导入数据阵列^®工作空间进入应用程序。
图数据。
通过从输入和输出信号中删除偏移来处理数据。
估计、验证和比较线性模型。
将模型导出到MATLAB工作区。

请注意

本教程使用时域数据来演示如何估计线性模型。同样的工作流程也适用于频域数据的拟合。

本教程以本教程第17.3节中的示例为基础系统识别:用户的理论，第二版，Lennart Ljung, Prentice Hall PTR, 1999。

数据描述

本教程使用数据文件干酪2.mat，其中包含来自反馈过程培训师PT326的单输入/单输出（SISO）时域数据。输入和输出信号各包含1000个数据样本。

该系统在入口使用一个网状的电阻电线加热空气，类似于电吹风。输入是提供给电阻线的电源，输出是出口处的空气温度。

为系统识别准备数据

将数据加载到MATLAB工作空间

将数据加载到干酪2.mat在MATLAB命令窗口中输入以下命令:

负载dryer2

该命令将数据作为两个列向量加载到MATLAB工作区中，u2和y2,分别。的变量u2是输入数据和y2是输出数据。

打开系统识别应用

要打开“系统标识”应用程序，请在MATLAB命令窗口中键入以下命令：

systemIdentification

默认会话名称，无标题，显示在标题栏中。

将数据数组导入系统识别应用程序

可以从示例数据文件导入单输入/单输出（SISO）数据干酪2.mat从MATLAB工作空间进入应用程序。

您必须已经将示例数据加载到MATLAB中，如将数据加载到MATLAB工作区，并打开系统标识应用程序，如中所述打开系统识别应用．

如果您没有执行这些步骤，点击这里完成它们。

将数据数组导入系统识别应用程序:

选择导入数据>时间域数据．此操作将打开“导入数据”对话框。
在“导入数据”对话框中，指定以下选项：
- 输入——输入u2作为输入变量的名称。
- 输出——输入y2作为输出变量的名称。
- 数据名—将默认名称修改为数据．该名称在导入操作完成后标记系统识别应用程序中的数据。
- 起始时间——输入0作为开始时间。此值指定时轴的启动值在时刻绘图。
- 样品时间——输入0．08为连续采样之间的时间，单位为秒。这个值是实验中实际的采样时间。
导入数据对话框现在类似下图。
在里面数据信息区域,点击更多展开对话框并指定以下选项：
输入属性
- Intersample—接受默认值zoh(零阶保持)，表示在数据采集过程中，样本之间的输入信号是分段常数。当您在离散时间和连续时间表示之间转换生成的模型时，此设置指定样本之间的输入信号行为。
- 期—接受默认值正指定一个非周期性输入。
  
  请注意
  
  对于周期性输入，请在实验中输入输入信号的整个周期数。
频道名称
- 输入——输入权力．
  
  提示
  
  命名通道可以帮助您识别图中的数据。对于多变量输入和输出信号，可以指定单个的名称输入和输出通道，用逗号分隔。
- 输出——输入温度．
变量的物理单位
- 输入——输入W对权力的单位。
  
  提示
  
  当您有多个输入和输出时，请输入以逗号分隔的列表输入和输出单元对应每个通道。
- 输出——输入^ oC温度单位。
笔记—输入对实验或数据的注释。例如，您可以输入实验名称、日期和实验条件的描述。当你从这些数据估计模型时，这些模型继承了你的笔记。
展开的导入数据对话框如下图所示。
点击进口将数据添加到系统识别应用程序中。应用程序会显示一个图标来表示数据。
点击关闭关闭“导入数据”对话框。

绘图和处理数据

在本教程的这一部分中，您评估数据并处理它以进行系统识别。你学习如何：

图数据。
通过减去输入和输出的平均值来从数据中去除偏移量。
将数据拆分为两个部分以使用一个零件模型估计和另一部分进行模型验证。

从每个信号中减去平均值的原因是，通常情况下，要建立线性模型来描述偏离物理平衡的响应。对于稳态数据，可以合理地假设信号的平均水平对应于这种平衡。因此，您可以在没有对物理单位的绝对平衡水平建模的情况下寻找零附近的模型。

您必须已经将数据导入系统识别应用程序，如将数据数组导入系统识别应用程序．

如果您没有执行此步骤，点击这里来完成它。

绘制和处理数据：

选择时间曲线图选中此复选框可打开时间绘图。如果打印窗口为空，请单击数据图标，在系统识别应用程序。

上面的轴显示输出数据(温度)，下面的轴显示输入数据(功率)。输入和输出数据都有非零的平均值。
输入数据减去平均输入值，输出数据减去平均输出值。在系统识别应用程序中，选择< - 预处理>删除手段．

此操作将新数据添加到系统标识应用程序中，其中包含默认名称datad(后缀d方法诽谤)，并更新时间图窗口以同时显示原始数据和非趋势数据。非趋势数据的平均值为零。
指定要用于估计模型的下行数据。拖动数据集datad到了工作数据长方形

另外,右击datad要打开数据/模型信息对话框的图标。

选择用作工作数据复选框。点击应用进而关闭．这一行动增加了datad到了工作数据长方形
将数据分成两部分，第一部分用于模型估计，第二部分用于模型验证。
1. 选择< - 预处理>选择范围打开“选择范围”窗口。
2. 在Select Range窗口中，创建包含前500个样本的数据集。在里面样本字段，指定1 500．
  
  提示
  
  还可以使用鼠标单击并拖动绘图上的矩形区域来选择数据示例。如果在输入通道轴上选择样本，相应的区域也会在输出通道轴上选择。
3. 在里面数据名字段中，键入名称data_est．
4. 点击插入将该新数据集添加到系统识别应用程序中，以用于模型估计。
5. 重复此过程以创建包含用于验证的数据子集的第二个数据集。在“选择范围”窗口中，在样本字段。类型名称data_val在数据名字段。点击插入将此新数据集添加到系统识别应用程序中。
6. 点击关闭关闭“选择范围”窗口。
在系统识别应用程序中，拖放data_est到了工作数据矩形，然后拖放data_val到了验证数据长方形
要获取关于数据集的信息，右键单击它的图标。例如,单击右键data_est打开数据/模型信息对话框。

您还可以更改数据/模型信息对话框中的某些值，包括：
- 更改中数据集的名称数据名字段。
- 控件中数据图标的颜色更改颜色字段。您可以使用RGB值(红色、绿色和蓝色的相对数量)指定颜色。每个值之间0和1．例如,(1,0,0)表示只有红色存在，没有绿色和蓝色混合到整体颜色中。
- 控件中对该数据集执行的命令日记和笔记地区此区域包含与您使用System Identification app执行的处理相当的命令行。例如，如“数据/模型信息：估计”窗口中所示data_est数据集是导入数据，对平均值进行去趋势化，并选择数据的前500个样本的结果。
  ％导入数据datad=detrend（data，0）data\u est=datad（[1:500]）
  有关这些和其他工具箱命令的更多信息，请参阅相应的参考页。

数据/模型信息对话框还显示样本总数、样本时间、输出和输入通道名称和单位。此信息是不可编辑的。

提示

您可以选择另一种快捷方式进行预处理>快速启动从System Identification应用程序中执行本教程中的所有数据处理步骤。

了解更多。有关支持的数据处理操作（如重新采样和筛选数据金宝app）的信息，请参阅数据进行预处理．

保存会话

处理数据之后，如绘图和处理数据，您可以删除窗口中不需要进行评估和验证的任何数据集，并保存会话。您可以稍后打开此会话，并将其用作模型估计和验证的起点，而无需重复这些准备步骤。

您必须已经将数据处理到系统识别应用程序中，如绘图和处理数据．

从会话中删除特定的数据集并保存会话。

在系统识别应用程序中：
1. 拖放数据数据设置为垃圾．
2. 拖放datad数据设置为垃圾．
或者，您也可以按删除键将数据集移动到垃圾．

请注意

将项目移动到垃圾不会删除它们。要永久删除项目，请选择选项>空垃圾．

下图显示了将项目移动到的系统识别应用程序垃圾．
拖放data_est和data_val数据集填充空矩形，如下图所示。
选择文件>保存会话打开“保存会话”对话框，浏览到要保存会话文件的文件夹。
在里面文件名字段，键入会话的名称干燥器2_处理的_数据,然后单击节省．结果文件有一个.sid扩展。

提示

在MATLAB提示符下输入以下命令，可以在启动系统识别应用程序时打开保存的会话:

系统识别(“dryer2_processed_data”）

有关管理会话的详细信息，请参阅启动和管理会话．

使用Quick Start估计线性模型

如何使用Quick Start估计线性模型

您可以使用系统识别应用程序中的快速启动功能来估计线性模型。Quick Start可能会生成您决定使用的最终线性模型，或者为您提供配置精确参数模型估计所需的信息，例如时间常数、输入延迟和共振频率。

您必须已经处理了估计数据，如中所述绘图和处理数据．

如果您没有执行此步骤，点击这里来完成它。

在系统识别应用程序中，选择估计>快速启动．

这个动作生成了阶跃响应、频率响应和状态空间和多项式模型的输出图。有关这些图的更多信息，请参见验证快速启动模型．

快速启动线性模型的类型

快速入门估计以下四种类型的型号，并将以下内容添加到系统标识应用程序，默认名称：

小鬼-使用暂时算法。
黑桃-频率响应在频率范围内使用温泉算法。频率响应是线性系统的脉冲响应的傅里叶变换。
默认情况下，模型在128个频率值上进行评估，范围从0到Nyquist频率。
arxqs-四阶自回归(ARX)模型使用arx算法。
该模型是参数化的，结构如下:

$\begin{array}{l} y （ t ） + {一个}_{1} y （ t - 1 ） + ．.. + {一个}_{n 一个} y （ t - n_{一个} ）＝ \\ b_{1} u （ t - n_{k} ） + ．.. + b_{n b} u （ t - n_{k} - n_{b} + 1 ） + e （ t ） \end{array}$

y（t）表示时刻的输出t，u (t)表示时刻的输入t，n_一个是极点的数目，n_b是b参数(等于0的数目加1)，n_k输入前的样本数是否影响系统的输出(称为延迟或死区时间模型)，以及e (t)是白噪声干扰。系统识别工具箱™软件估计参数 ${一个}_{1} ．.. {一个}_{n}$ 和 $b_{1} ．.. b_{n}$ 使用来自估计数据集的输入和输出数据。
在arxqs，n_一个＝n_b= 4,n_k是由阶跃响应模型估计的吗小鬼．
n4s3使用状态空间模型计算n4sid．算法自动选择模型顺序(在本例中为3)。
该模型是参数化的，结构如下:

$\begin{array}{l} \frac{d x}{d t} ＝一个 x （ t ） + B u （ t ） + K e （ t ） \\ y （ t ）＝ C x （ t ） + D u （ t ） + e （ t ） \end{array}$

y（t）表示时刻的输出t，u (t)表示时刻的输入t，x是状态向量吗e (t)是白噪声干扰。系统识别工具箱产品估计状态空间矩阵一个，B，C，D，和K．

请注意

“快速启动”选项不会创建传递函数模型或流程模型，也可能是良好的启动模型类型。

验证快速启动模型

Quick Start在模型评估期间生成以下图表，以帮助您验证模型的质量:

阶跃响应图
频率响应图
模型输出的阴谋

您必须已经使用Quick Start估算模型来生成这些图，如如何使用Quick Start估计线性模型．

如果您没有执行此步骤，点击这里来完成它。

阶跃响应图。下面的阶跃响应图显示了不同模型结构与实测数据之间的一致性，这意味着所有这些结构具有相似的动力学特性。

提示

如果关闭绘图窗口，请选择短暂的分别地复选框以重新打开此窗口。如果绘图为空，单击系统识别应用程序窗口中的模型图标，在绘图上显示模型。

imp、arxqs、n4s3响应

提示

你可以用阶跃响应图来估计线性系统的死区时间。例如，前面的阶跃响应图显示了系统响应输入之前大约0.25秒的时间延迟。这个响应延迟，或者死区时间，大约等于大约三个样本，因为样本时间是0．08s为此数据集。

频率特性图。下面的频率响应图显示了不同模型结构与实测数据之间的一致性，这意味着所有这些结构具有相似的动力学特性。

提示

如果关闭此绘图窗口，请选择频率分别地复选框以重新打开此窗口。如果绘图为空，单击系统识别应用程序窗口中的模型图标，在绘图上显示模型。

模型IMP，SPAD，ARXQ和N4S3的频率响应

模型输出的阴谋。模型输出窗口显示了不同模型结构和验证数据中的测量输出之间的一致性。

提示

如果您关闭模型输出窗口，请选择模型输出复选框以重新打开此窗口。如果绘图为空，单击系统识别应用程序窗口中的模型图标，在绘图上显示模型。

imp、arxqs和n4s3型的测量输出和模型输出

模型-输出图显示了模型对验证数据中的输入的响应。每个模型的拟合值总结在最适合区域的模型输出窗口。的模型最适合名单是按照从最好到最坏的顺序排列的。这两条曲线之间的拟合计算如下:100表示完全拟合，0表示差拟合(即，模型输出与测量输出的拟合与测量输出的平均值相同)。

在本例中，模型的输出与验证数据输出相匹配，这表明模型似乎捕获了主要的系统动态，并且线性建模已经足够了。

提示

要比较预测的模型输出而不是模拟输出，请从中选择此选项选项“模型输出”窗口中的菜单。

估计线性模型

估计精确模型的策略

你估计的线性模型使用Quick Start估计线性模型表明线性模型足够地代表了系统的动态。

在本教程的这一部分，您可以通过执行以下任务来获得准确的参数模型:

使用简单的多项式模型结构(ARX)从数据中识别初始模型订单和延迟。
探索更复杂的模型结构，其顺序和延迟接近你发现的初始值。

得到的模型是离散时间模型。

估计可能的模型顺序

要识别黑盒模型，您必须指定模型顺序。但是，您如何知道为您的黑盒模型指定什么模型顺序呢?要回答这个问题，您可以估计一系列阶数和延迟的简单多项式(ARX)模型，并比较这些模型的性能。为了使用各种模型结构(如传递函数和状态空间模型)进行更精确的建模，您可以选择与最佳模型拟合相对应的顺序和延迟作为初始猜测。

关于ARX模型。对于单输入单输出系统(SISO)， ARX模型结构为:

$\begin{array}{l} y （ t ） + {一个}_{1} y （ t - 1 ） + ．.. + {一个}_{n 一个} y （ t - n_{一个} ）＝ \\ b_{1} u （ t - n_{k} ） + ．.. + b_{n b} u （ t - n_{k} - n_{b} + 1 ） + e （ t ） \end{array}$

y（t）表示时刻的输出t，u (t)表示时刻的输入t，n_一个是极点的数目，n_b是0加1的个数，n_k输入延迟-在输入影响系统输出之前的采样数(称为?延迟或死区时间模型)，以及e (t)是白噪声干扰。

您指定模型顺序n_一个，n_b，和n_k来估计ARX模型。系统识别工具箱产品估计参数 ${一个}_{1} ．.. {一个}_{n}$ 和 $b_{1} ．.. b_{n}$ 从数据。

如何估算模型订单

在系统识别应用程序中，选择估计>多项式模型打开多项式模型对话框。
从结构列表中,选择ARX：[NA NB NK]．默认情况下，已经选择了这一点。
编辑订单尝试杆，零和延迟的所有组合，其中每个值为1到10：
[1:10 1:10 1:10]
点击估计要打开ARX模型结构选择窗口，可为每个模型参数组合显示模型性能。
您可以使用这个图来选择最适合的模型。
- 横轴为参数总数-n_一个+n_b．
- 纵轴称为未解释的输出方差(以%计)，是模型未解释的输出部分——ARX模型对水平轴上显示的参数数量的预测误差。
  的预测误差为验证数据输出与模型一步预测输出的差值平方和。
- n_k是延迟。
绘图上以绿色、蓝色和红色突出显示三个矩形。每种颜色表示一种最佳拟合标准，如下所示：
- 红色-最佳拟合最小化验证数据输出和模型输出之间的差的平方和。这个矩形表示整体最适合。
- 绿色-最佳拟合最小化Rissanen MDL准则。
- 蓝色-最佳拟合最小化赤池AIC准则。
在本教程中未解释的输出方差(以%计)对于从4到20的参数组合数，值保持近似常量。这种稳定性表明模型性能在更高阶时并没有改善。因此，低阶模型可能同样适合数据。

请注意

当您使用相同的数据集进行估计和验证时，请使用MDL和AIC标准来选择模型顺序。这些标准弥补了由于使用太多参数而导致的过拟合。有关这些标准的更多信息，请参见selstruc参考页面。
在ARX模型结构选择窗口中，单击红色栏（对应15在水平轴上），然后单击插入．这个选择插入n_一个= 6,n_b=9，以及n_k=2进入多项式模型对话框并执行估计。
此操作将添加模型arx692，并更新图以包含模型的响应。

请注意

参数模型的默认名称包含模型类型和杆，零和延迟的数量。例如,arx692是一个具有n_一个= 6,n_b=9，两个样本的延迟。
在ARX模型结构选择窗口中，单击对应的第三条4水平轴上的参数（仍然提供良好的最低顺序），然后单击插入．
- 这个选择插入n_一个=2,n_b= 2,n_k=3（三个样本的延迟）进入“多项式模型”对话框并执行估计。
- 模型arx223被添加到系统标识应用程序，并更新绘图以包括其响应和输出。
点击关闭关闭ARX模型结构选择窗口。
点击关闭关闭多项式模型对话框。

识别传递函数模型

通过描述的不同订单组合来估计ARX模型估计可能的模型顺序，您确定了极点、零和延迟的数量，为系统地探索不同模型提供了良好的起点。

对于这个系统，总体上最适合的是具有6个极点、9个零和两个样本延迟的模型。结果还表明，低阶模型具有n_一个=2（两极），n_b= 2(1 0)，和n_k= 3(输入-输出延迟)也提供了一个很好的匹配。因此，您应该探索靠近这些值的模型订单。

在本教程的这一部分，您将评估一个传递函数模型。

关于传递函数模型。一般传递函数模型结构是：

$Y （年代）＝ \frac{n u 米（年代）}{d e n （年代）} U （年代） + E （年代）$

Y（年代），U（年代)及E（年代)分别表示输出、输入和误差的拉普拉斯变换。号码（年代)及窝（年代)表示定义输入和输出关系的分子和分母多项式。分母多项式的根称为模型波兰人．分子多项式的根称为模型0．

您必须指定极点和零点的数目来估计传递函数模型。系统识别工具箱产品估计分子和分母多项式，以及数据的输入/输出延迟。

传递函数模型结构是快速估计的一个很好的选择，因为它只需要你指定两个参数来开始:NP.是极点数和吗新西兰是0的个数。

如何估算传输函数模型

在系统识别应用程序中，选择估计>传递函数模型打开“传输功能”对话框。
在“估计传输函数”对话框中，指定以下选项:
- 极数—保持默认值2为两极指定二阶函数的步骤。
- 数量的零—保持默认值1．
- 连续时间-把这个检查一下。
点击延迟扩展输入/输出延迟规格区域。
通过描述的不同订单组合来估计ARX模型估计可能的模型顺序，您确定了3个样本延迟(nk = 3.)这意味着持续的延迟(nk-1) * Ts，等于0.16秒。
指定延迟作为０．１６秒。离开固定的选中的。
使用默认的估计选项。默认情况下，应用程序分配名称tf1到模型中。对话框应该如下所示。
点击估计添加一个名为tf1。在“模型输出”窗口中，可以查看传递函数模型的估计结果与其他模型的估计结果的对比。

提示

如果关闭Model Output窗口，则可以通过选择模型输出复选框。如果新的模型没有出现在图形上，请单击系统识别应用程序中的模型图标，使模型处于活动状态。
点击关闭关闭“传输功能”对话框。

了解更多。要了解关于识别传递函数模型的更多信息，请参见传递函数模型．

识别状态空间模型

通过描述的不同订单组合来估计ARX模型估计可能的模型顺序，您确定了极点、零和延迟的数量，为系统地探索不同模型提供了良好的起点。

对于这个系统，总体上最适合的是具有6个极点、9个零和两个样本延迟的模型。结果还表明，低阶模型具有n_一个=2（两极），n_b= 2（一个零），和n_k=3（输入-输出延迟）也提供了良好的拟合。因此，您应该探索接近这些值的模型顺序。

在本教程的这一部分中，将估计状态空间模型。

对状态空间模型。一般状态空间模型结构（创新形式）为：

$\begin{array}{l} \frac{d x}{d t} ＝一个 x （ t ） + B u （ t ） + K e （ t ） \\ y （ t ）＝ C x （ t ） + D u （ t ） + e （ t ） \end{array}$

y（t）表示时刻的输出t，u (t)表示时刻的输入t，x (t)是时间的状态向量t，和e (t)是白噪声干扰。

必须将单个整数指定为估计状态空间模型的模型顺序（状态向量的维度）。系统识别工具箱产品估计状态空间矩阵一个，B，C，D，和K从数据。

状态空间模型结构是快速估计的好选择，因为它只需要指定状态的数量(等于极点的数量)。您还可以选择指定延迟和馈通行为。

如何估算状态空间模型

在系统识别应用程序中，选择估计>状态空间模型打开状态空间模型对话框。
在里面指定值场的模型结构选项卡，指定模型顺序。类型6创建一个六阶状态空间模型。
这一选择基于这样一个事实：最适合的ARX模型有六个极点。

提示

尽管本教程估计的是一个六阶状态空间模型，但您可能希望探索一个低阶模型是否能够充分地表示系统动力学。

对话框应该是这样的:
选择估计选项选项卡以显示其他选项。
改变评估重点来模拟优化模型用于输出仿真。
状态空间模型对话框如下图所示。
点击估计要添加名为魔法石,第1章到系统识别应用程序。
您可以在模型输出窗口中查看状态空间模型的估计输出，并将其与其他模型的估计进行比较。

提示

如果关闭Model Output窗口，则可以通过选择模型输出复选框。如果新的模型没有出现在图形上，请单击系统识别应用程序中的模型图标，使模型处于活动状态。
点击关闭关闭状态空间模型对话框。

了解更多。要了解关于识别状态空间模型的更多信息，请参见状态空间模型．

识别ARMAX模型

通过描述的不同订单组合来估计ARX模型估计可能的模型顺序，您确定了极点、零和延迟的数量，为系统地探索不同模型提供了良好的起点。

对于这个系统，总体上最适合的是具有6个极点、9个零和两个样本延迟的模型。结果还表明，低阶模型具有n_一个=2（两极），n_b= 2（一个零），和n_k= 3还提供了良好的合适。因此，您应该探索靠近这些值的模型订单。

在本教程的这一部分，您将评估一个ARMAX输入-输出多项式模型。

关于ARMAX模型。对于单输入单输出系统(SISO)， ARMAX多项式模型结构为:

$\begin{array}{l} y （ t ） + {一个}_{1} y （ t - 1 ） + ．.. + {一个}_{n 一个} y （ t - n_{一个} ）＝ \\ b_{1} u （ t - n_{k} ） + ．.. + b_{n b} u （ t - n_{k} - n_{b} + 1 ） + \\ e （ t ） + c_{1} e （ t - 1 ） + ．.. + c_{n c} e （ t - n_{c} ） \end{array}$

y（t）表示时刻的输出t，u (t)表示时刻的输入t，n_一个为动态模型的极点数，n_b是0加1的个数，n_c为扰动模型的极点数，n_k输入前的样本数是否影响系统的输出(称为延迟或死区时间模型)，以及e (t)是白噪声干扰。

请注意

ARMAX模型比ARX模型更灵活，因为ARMAX结构包含额外的多项式以模拟添加剂干扰。

您必须指定模型顺序来估计ARMAX模型。系统识别工具箱产品估计模型参数 ${一个}_{1} ．.. {一个}_{n}$ ， $b_{1} ．.. b_{n}$ ，和 $c_{1} ．.. c_{n}$ 从数据。

如何估计ARMAX模型

在系统识别应用程序中，选择估计>多项式模型打开多项式模型对话框。
从结构列表中,选择ARMAX: [na nb nc nk]估计ARMAX模型。
在里面订单字段，设置命令NA.，NB.，NC.，和NK.到以下值：
[2 2 2 2]
该应用程序将名称分配给模型amx2222，默认为可见的名字字段。
点击估计将ARMAX模型添加到系统识别应用程序中。
使用更高的步骤3和4重复步骤3和4订单3 3 2 2．这些顺序产生的模型几乎与高阶ARX模型一样适合数据arx692．

提示

如果关闭Model Output窗口，则可以通过选择模型输出复选框。如果新的模型没有出现在图形上，请单击系统识别应用程序中的模型图标，使模型处于活动状态。
点击关闭关闭多项式模型对话框。

了解更多。要了解更多关于识别输入-输出多项式模型(如ARMAX)的信息，请参见输入-输出多项式模型．

选择最佳模式

您可以比较型号，选择性能最好的型号。

您必须已经估计了模型，如估计线性模型．

如果您没有执行此步骤，点击这里来完成它。

模型概述。下图是System Identification app，其中包含了所有的估算模型估计线性模型．

检查模型输出。检查模型输出图，看看模型输出与验证数据集中的测量输出匹配程度如何。一个好的模型是最简单的模型，它能最好地描述动态并成功地模拟或预测不同输入的输出。型号按名称列出最适合模型输出图的区域。请注意，其中一个型号之一，amx3322，生产出了与您创建的最高订单模型相似的契合度，arx692．

提示

如果关闭Model Output窗口，则可以通过选择模型输出复选框。如果新的模型没有出现在图形上，请单击系统识别应用程序中的模型图标，使模型处于活动状态。

要使用不同的数据集验证模型，可以将该数据集拖放到验证数据如果您将验证数据转换到频域，则模型输出图将更新以显示频域中的模型比较。

为了更仔细地观察这些模型与数据的吻合程度，可以通过点击并拖动感兴趣区域周围的矩形来放大部分情节，如下图所示。

释放鼠标会放大这个区域，并显示所有模型的输出都与验证数据很好地匹配。

查看模型参数

查看模型参数值

可以查看每个估计模型的数值参数值。

您必须已经估计了模型，如估计线性模型．

如果您没有执行此步骤，点击这里来完成它。

查看模型的参数值amx3322，右键单击系统识别应用程序中的模型图标。数据/模型信息对话框打开。

数据/模型信息对话框的不可编辑区域列出了对应于系统的下列差分方程的参数值:

$\begin{array}{l} y （ t ） - 1.502 y （ t - 1 ） + 0.7193 y （ t - 2 ） - 0.1179 y （ t - 3. ）＝ \\ 0.003956. u （ t - 2 ） + 0.06245 u （ t - 3. ） + 0.02673 u （ t - 4 ） + e （ t ） - 0.5626 e （ t - 1 ） + 0.2355 e （ t - 2 ） \end{array}$

请注意

系数u (2)与零没有显著差异。这种差异的缺乏解释了为什么两者都有延迟值2和3.给好的结果。

参数值的格式如下:

$\begin{array}{l} 一个（ z ）＝ 1 + {一个}_{1} z^{- 1} + ．.. + {一个}_{n 一个} z^{- n 一个} \\ B （ z ）＝ b_{1} z^{- n k} + ．.. + b_{n b} z^{- n b - n k + 1} \\ C （ z ）＝ 1 + c_{1} z^{- 1} + ．.. + c_{n c} z^{- n c} \end{array}$

参数出现在ARMAX模型结构中，如下:

$一个（问） y （ t ）＝ B （问） u （ t ） + C （问） e （ t ）$

它对应于这个一般差分方程:

查看参数不确定性

您可以查看估计模型的参数不确定性。

您必须已经估计了模型，如估计线性模型．

如果您没有执行此步骤，点击这里来完成它。查看模型的参数值amx3322，右键单击系统识别应用程序中的模型图标。数据/模型信息对话框打开。

单击，查看参数不确定度现在在“数据/模型信息”对话框中，在MATLAB提示下查看模型信息。

AMX33222=离散时间ARMX模型：AMX33222=离散时间ARMX模型：A（z）y（t）y（t）=B（z）u（t）C（z）e（t）A（z）A（z）32 2=2=1-1-1-1-1-1.502（7）AMX332322=2=2=B（z）u（z）u（z）C（z）C（z）e（z）A（z）=1-1-1-1-1-1-1-1-1.502.502.505.502（++/-0.502（+/-0.0.0.0.0.05（+/-0.05-0.050.050.050.05/-0.0.05982（0.050.05982）0.055-0.05982（0.0.05982）0.058 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8+0.2355（+/-0.05294）z^-2名称：amx3322采样时间：0.08秒参数化：多项式顺序：na=3 nb=3 nc=2 nk=2自由系数数：8使用“polydata”、“getpvec”、“getcov”表示参数及其不确定性。状态：终止条件：接近（本地）最小值（标准（g）

模型参数的1-标准差不确定性在每个参数值旁边的括号中。