线性模型是可以使用系统识别工具箱识别的最简单模型™. 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。要识别线性模型,请从时域或频域输入输出数据和模型结构(如状态空间或传递函数模型)开始。软件迭代调整自由模型参数,以使最大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:
使用特定模型结构估计线性模型。
使用黑盒建模方法,探索哪种模型结构最适合您的数据。
构建初步线性模型,并使用它来初始化要估计的模型的参数。
通过将已知参数固定到特定值,将系统知识并入到模型中。
使用正常的估计通过约束模型灵活性来减少模型中的不确定性。
使用系统标识应用识别从单输入/单输出(SISO)数据的线性黑匣子型号。
使用系统识别工具箱命令识别来自多输入/单输出(MISO)数据的线性模型。
此示例显示了如何使用频域数据估计模型。
这估计报告包含有关用于模型估计的结果和选项的信息。
系统识别工具箱中的线性模型采用模型对象的形式,即线性模型结构。您可以直接构建模型对象或使用估计命令来构造和估计模型。您还可以修改现有模型对象的属性。
通过使用结构
模式对象的属性。
此示例显示了正则化的好处,用于识别线性和非线性模型。
此示例演示如何使用系统识别应用程序中自动生成的正则化常数估计正则化ARX模型。
正则化是用于指定模型灵活性的约束的技术,从而降低了估计的参数值中的不确定性。
配置在参数估计期间最小化的损耗功能。估算后,使用模型质量指标来评估所识别模型的质量。
输入信号的字数行为影响连续时间模型的估计,仿真和预测。