系统识别工具箱允许您从测量的输入-输出数据创建模型。您可以:

• 分析和处理数据
• 确定合适的模型结构和顺序，以及估计模型参数
• 验证模型的准确性

您可以使用识别线性模型进行分析和控制系统设计控制系统工具箱™．您可以将最确定的模型导入金宝app使用工具箱提供的块。您还可以使用已确定的模型进行预测。

系统识别工具箱让您估计多输入多输出连续或离散时间转移函数用极点和零点指定数目。您可以指定传输延迟或让工具箱自动确定。在你需要在零极点形式低阶连续时间模型的情况下，工具箱让您估计流程模型，这是简单的传递函数，涉及三个或更少的极点，并可选，零，一个时滞，和一个积分器。

您可以识别多项式和状态空间模型使用工具箱提供的评估程序。这些程序包括自回归模型（ARX，ARMAX），箱詹金斯模型，输出误差模型和状态空间参数化。估算技术包括最大似然，预测误差最小化的方案，并且基于N4SID，CVA子空间方法和MOESP算法。您还可以估算影响所观测系统的噪声模型。对于所有的估计，你可以指定固定模型参数并指定自由参数的边界。

您可以直接使用已确定的线性模型控制系统工具箱功能分析和补偿设计，无需转换模型。

您还可以从控制系统工具箱中的PID Tuner应用程序中测量的输入-输出数据识别进程模型。您可以交互式地调整系统参数，如增益和极点位置，以匹配模型响应的测量输出。然后，系统识别工具箱可以使用这些参数值作为初始猜测，自动查找在模型和测量数据之间提供最佳拟合的参数值。一旦创建了进程模型，PID Tuner应用程序就会使用它来自动调整PID Controller增益。

您也可以使用系统识别工具箱金宝app仿真软件控制设计™，当整定PID控制器块增益时。如果金宝app一旦进程模型被创建，PID Tuner就会使用它来调整PID Controller块增益。

当线性模型不足以捕获系统动态时，您可以使用系统识别工具箱来估计非线性模型，例如非线性ARX和汉默斯坦 - 维纳．
非线性ARX模型使您能够使用小波网络、树划分、s形网络和神经网络(使用深度学习工具箱™)。使用Hammerstein-Wiener模型，你可以估计在一个线性系统的输入和输出处的静态非线性扭曲。例如，您可以估计影响直流电机输入电流的饱和水平，或者使用分段线性非线性在输出处捕获复杂的非线性。

用户定义的(灰箱)模型是一组带有未知参数的微分或差分方程。如果您了解系统的物理特性，并且能够将系统表示为灰盒模型，那么系统识别工具箱允许您指定模型结构并使用它来估计其参数非线性优化技术．对于线性模型，您可以显式地指定状态空间矩阵的结构，并对确定的参数施加约束。你可以指定微分方程为MATLAB，C或Fortran代码。

系统辨识工具箱提供金宝app块在线参数估计。在线参数估计的应用包括故障监测和自适应控制。

系统辨识工具箱，您可以执行两种类型的在线参数估计的：递归多项式模型估计和递归最小二乘估计。

递归多项式模型估计块估计离散时间，多项式模型的ARX或ARMAX结构的输入和输出数据提供作为输入到块。工具箱允许您指定模型的顺序并选择要使用的估计方法。

递归最小二乘估计块估计模型输入（回归量）映射到一个模型输出的模型的参数。该模型必须是回归量的线性组合，但它可以被用来描述非线性系统。

您可以使用在线参数估计块仿真和实现。在模拟使用这些模块可以验证的算法和选择适合您应用的最佳模型结构。

算法然后可以使用自动代码生成与被部署到嵌入目标金宝app仿真软件编码器™那嵌入式编码器^®， 或者金宝appSimulink的PLC编码器™．

一种时间序列是一个或多个测量的输出通道与无测量的输入。系统辨识工具箱可以让你创建的时间序列数据模型，根据以前的预测未来信号值。您可以估算同时使用时域和频域数据的时间序列模型。

你可以用不同频率的循环分量来估计描述时间序列变化的时间序列谱。你也可以估计参数自回归(AR)，自回归和移动平均(ARMA)，ARIMA模型（ARIMA）和状态空间时间序列模型。