系统辨识工具箱
从测量的输入输出数据创建线性和非线性动态系统模型
系统识别工具箱™提供MATLAB®功能,金宝app®块,和一个应用程序利用实测的输入-输出数据建立动态系统的数学模型。它允许您创建和使用不容易从第一原则或规范建模的动态系统模型。您可以使用时域和频域输入输出数据来识别连续时间和离散时间传递函数、过程模型和状态空间模型。该工具箱还提供了嵌入式在线参数估计算法。
该工具箱提供了识别技术,例如最大可能性,预测误差最小化(PEM)和子空间系统识别。要代表非线性系统动态,您可以估算具有小波网络,树分区和SIGMOID网络非线性的Hammerstein-Wiener模型和非线性ARX模型。工具箱执行灰度盒系统识别,以估计用户定义模型的参数。您可以使用Simulink中的系统响应预测和工厂建模的识别模型。金宝app该工具箱还支持时间序列数据建模和时金宝app间序列预测。
开始:
数据导入和预处理
导入测量的时域和频域数据。您可以通过执行诸如拒绝,过滤,重采样以及重建缺失数据的操作来预处理数据。
模型估计和验证
从测量的输入-输出数据中识别线性和非线性模型。您可以比较已识别的模型,分析它们的属性,计算它们的置信范围,并根据测试数据集验证它们。
状态空间和多项式模型
确定最优模型顺序并估计系统的状态空间模型。您还可以估计ARX、ARMAX、Box-Jenkins和Output-Error多项式模型。
频率和脉冲响应模型
使用频谱和相关分析来估计系统的模型,从频率和时域数据估算系统的模型。频率响应数据也可以使用Simulink控制设计从Simulink模型获得。金宝app
使用递归模型进行参数估计
使用递归模型实时估计系统的模型,当新数据进来时更新它们的参数。您可以使用内置的Simulink块实现这些模型。金宝app使用Simulink Coder™从块生成C/ c++代码,以瞄准嵌入式设备。金宝app
与卡尔曼过滤器的状态估计
利用线性、扩展或无迹卡尔曼滤波器以及粒子滤波器从实时数据估计系统状态。您可以使用内置的Simulink模块实现这些算法。金宝app使用Simulink Coder™从块生成C/ c++代码,以瞄准嵌入式设备。金宝app
与仿真软件的集成金宝app
在Simulink中使用内置块实现估计的模型,状态估计器和递归模型。金宝app您可以使用这些块执行系统分析和控制设计任务。
控制器设计
使用你估计的模型,用控制系统工具箱设计和调整控制器。在PID Tuner应用程序中使用系统识别功能,从测量数据或具有不连续的Simulink模型估计线性植物动态。金宝app
非线性ARX模型
通过将小波网络、树划分、s形网络和神经网络所代表的非线性与自回归模型相结合,为系统建模(使用 深度学习工具箱™ )。
Hammerstein-Wiener模型
估计诸如线性系统的输入和输出时存在的静态非线性扭曲。例如,您可以估计影响运行直流电电机的输入电流的饱和度水平。
线性灰盒式型号
用微分方程、差分方程或状态空间系统建模你的线性系统。估计指定的模型参数,如钟摆质量和长度或电机电阻和反电动势常数,从测量的输入-输出数据。
时间序列模型
估计时间序列模型,以适应测量数据从您的系统。然后,您可以预测时间序列模型的未来值,以预测您的系统将如何运行。
初始条件
在估计和模拟传递函数、状态空间和多项式模型时应用初始条件
实时编辑任务
交互式执行状态空间和过程模型识别任务并在实时脚本中生成MATLAB代码
看发布说明有关这些功能的详细信息和相应的功能。