线性模型是使用System Identification Toolbox™可以识别的最简单的模型。当线性模型足以完全捕获系统动态时,请使用线性模型识别。要确定线性模型,首先要确定时域或频域输入-输出数据和模型结构,例如状态空间或传递函数模型。该软件迭代地调整自由模型参数,以最小化测量输出和模拟模型对输入数据的响应之间的差异。工具箱允许您执行以下任务:
使用特定的模型结构估计线性模型。
使用黑盒建模方法并探索哪种模型结构最适合您的数据。
构建一个初步的线性模型,并使用它来初始化您想要估计的模型参数。
通过将已知参数固定为特定值,将系统知识整合到模型中。
通过约束模型的灵活性,使用正则化估计来减少模型中的不确定性。
使用系统识别应用程序从单输入/单输出(SISO)数据识别线性黑箱模型。
使用系统识别工具箱命令从多输入/单输出(MISO)数据识别线性模型。
这个例子展示了如何使用频域数据估计模型。
的评估报告包含有关用于模型估计的结果和选项的信息。
系统辨识工具箱中的线性模型采用线性模型结构的模型对象形式。您可以直接构造模型对象,也可以使用评估命令来构造和评估模型。您还可以修改现有模型对象的属性。
约束估计算法对单个模型参数的调整结构
模式对象的属性。
这个例子显示了正则化识别线性和非线性模型的好处。
这个例子展示了如何使用系统识别应用程序中自动生成的正则化常数来估计正则化ARX模型。
正则化是一种技术,用于指定对模型灵活性的约束,从而减少估计参数值的不确定性。
配置参数估计时损耗最小的功能。在评估之后,使用模型质量度量来评估识别模型的质量。
输入信号的样本间行为影响着连续时间模型的估计、仿真和预测。