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，请使用线性模型识别。你可以在系统识别应用程序或命令行。系统识别工具箱™使您能够创建和估计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。
线性灰箱模型-估计任意常微分或差分方程的系数，结合从先验知识获得的系统信息或从物理原理推断的系统信息。
线性模型辨识需要频域或均匀采样的时域数据。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，请参见关于已识别线性模型．您还可以使用参数模型结构(如AR和ARMA)对时间序列数据进行建模，该数据包含一个输出通道而没有输入通道。
您可以使用已识别的模型在命令行、应用程序或Simulink中模拟和预测模型输出金宝app®．
- 线性模型辨识基础
识别线性模型、选择合适的模型结构、构建和修改模型对象结构以及使用正则化估计所必需的信息 - 流程模型
具有静态增益、时间常数和输入输出延迟的低阶传递函数模型 - 输入-输出多项式模型
输入-输出多项式模型，包括ARX、ARMAX、输出误差和Box-Jenkins模型结构 - 状态空间模型
自由、规范和结构化参数化的状态空间模型;等效的ARMAX和OE型号 - 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
利用频谱分析得到的频率响应模型 - 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:
