系统辨识工具箱
创建线性和非线性动态系统模型的输入输出数据
系统辨识工具箱™提供了MATLAB®函数,仿真软件金宝app®块,应用动态系统建模、时间序列分析和预测。你可以学习动态测量变量创建转移函数之间的关系,过程模型和状态空间模型在连续或离散时间在使用时间或频率域数据。您可以使用AR时间序列预测、ARMA和其他线性和非线性自回归建模技术。
工具箱允许您使用Hammerstein-Wiener估计非线性系统动力学和非线性ARX模型与机器学习技术,如高斯过程(GP),支持向量机(SVM)和其他表示。金宝app或者,您可以创建神经常微分方程(ODE)使用深度学习捕捉非线性系统动力学模型。工具箱允许执行的方框一个用户定义的模型的参数估计系统识别。可以为快速识别模型集成到仿真软件模拟来启用应用程序控制设计和诊断和预后。金宝app
您可以执行在线参数和状态估计使用扩展或无味卡尔曼滤波器和自适应控制粒子过滤器,故障检测,软传感应用。工具箱允许您生成C / c++代码在线估计算法针对嵌入式设备。
开始
学习基本的系统辨识工具箱
数据准备
策划、分析、去趋势和过滤时间和频域的数据,生成和导入数据
线性模型识别
识别脉冲响应、频率特性和参数的模型,如线性状态方程和传递函数模型
非线性模型识别
识别非线性ARX、Hammerstein-Wiener和灰色矩形模型
灰色矩形模型估计
估计系数的线性和非线性微分、差分和状态空间方程
模型验证
比较模型来测量输出,残留分析、响应情节充满信心
模型分析
离散化模型,将模型转换为其他类型,线性化非线性模型,模拟和预测输出
时间序列分析
分析时间序列数据通过识别线性和非线性模型,如基于“增大化现实”技术的ARMA,状态,和灰色矩形模型,进行光谱分析,预测模型输出
在线评估
估计模型参数和状态在系统操作,生成代码和部署嵌入式目标