主要内容
线性模型识别
识别脉冲响应，频率响应和参数模型，如状态空间和传递函数模型
当线性模型足以完全捕获系统动态时，使用线性模型标识。您可以识别线性模型系统识别应用程序或命令行。系统识别工具箱™使您可以创建和估算四种一般类型的线性模型。
参数模型-估计结构中的参数，如传递函数模型，状态空间模型，多项式模型和过程模型。
频率响应模型。使用频谱分析估计频谱模型。
相关模型-使用相关分析对脉冲响应模型进行非参数估计。
线性灰盒模型-估计任意常微分或差分方程的系数，合并系统信息，你从先验知识或你可以从物理原理推导。
线性模型识别需要频域或一致采样的时域数据。您的数据可以有一个或多个输入和输出通道。有关更多信息，请参见关于识别的线性模型．您还可以使用参数化模型结构(如AR和ARMA)对时间序列数据进行建模，该数据包含单个输出通道而没有输入通道。
您可以在命令行、应用程序或Simulink中使用已识别的模型来模拟和预测模型输出金宝app®．
- 线性模型识别基础
识别的线性模型，黑匣子建模，模型结构选择和正规化 - 流程模型
低阶传输功能模型，静态增益，时间常数和输入 - 输出延迟 - 输入-输出多项式模型
ARX, ARMAX, BJ和OE模型 - 状态空间模型
具有自由、规范和结构化参数化的状态空间模型;等效ARMAX和OE模型 - 传递函数模型
传递函数模型 - 线性灰色矩形模型
估计线性微分、差分和状态空间方程的系数 - 频率特性模型
使用光谱分析获得的频率响应模型 - 相关模型
使用相关分析得到的脉冲响应模型
特色的例子
你也可以从以下列表中选择一个网站:
