System Identification Toolbox

基于测得的输入-输出数据创建线性和非线性动态系统模型

 

System Identification Toolbox™ 提供一系列 MATLAB® 函数、Simulink® 模块和一个 App,支持基于测得的输入-输出数据构造动态系统的数学模型。它支持您对那些难以基于第一性原理或规范建模的动态系统进行建模并加以使用。您可以使用时域和频域输入-输出数据来确定连续时间和离散时间传递函数、过程模型和状态-空间模型。该工具箱还提供嵌入式在线参数估计算法。

该工具箱提供了极大似然、预测误差最小化 (PEM)、子空间系统识别等识别方法。要表示非线性系统动态,您可以通过小波网络、树分割和 S 型网络非线性估计器来估计 Hammerstein-Weiner 模型和非线性 ARX 模型。该工具箱可执行灰箱系统识别以估计用户定义模型的参数。您可以使用识别的模型来预测系统响应以及在 Simulink 中为被控对象建模。该工具箱还支持时序数据建模和时序预测。

快速入门:

System Identification

使用测得的输入-输出数据以交互方式估计系统的线性和非线性模型。

数据导入和预处理

导入测得的时域和频域数据。您可以通过执行去趋势、滤波、重采样以及缺失数据重构等操作来预处理数据。

模型估计和验证

基于测得的输入-输出数据识别线性和非线性模型。您可以比较识别的模型,分析其属性,计算其置信边界,并基于测试数据集进行验证。

线性模型识别

基于测得的数据估计线性模型,以用于控制器设计等应用。

传递函数和过程模型

基于指定数目的极点和零点估计多输入多输出连续或离散时间传递函数。您可以指定传输延迟,也可以让该工具箱自动确定这些参数。

状态空间和多项式模型

确定系统的最佳模型阶数并估计状态空间模型。还可以估计 ARX、ARMAX、Box-Jenkins 和输出误差多项式模型。

频率和脉冲响应模型

使用频谱和相关性分析基于频域和时域数据估计系统模型。也可以使用 Simulink Control Design 从 Simulink 模型获得频率响应数据。

在线估计

在自适应控制、故障检测和软测量等应用中使用在线估计模型。您可以将这些模型部署到嵌入式设备,基于实时数据实时运行。

使用递归模型进行参数估计

使用递归模型实时估计系统模型,此类模型在新数据传入时更新其参数。使用内置的 Simulink 模块实现这些模型。使用 Simulink Coder™ 基于这些模块生成 C/C++ 代码以部署到嵌入式设备。

使用卡尔曼滤波器进行状态估计

使用线性、扩展或无迹卡尔曼滤波器以及粒子滤波器基于实时数据估计系统状态。使用内置的 Simulink 模块实现这些算法。使用 Simulink Coder™ 基于这些模块生成 C/C++ 代码以部署到嵌入式设备。

控制系统设计与 Simulink

在 Simulink 中使用内置模块实现估计模型。在 MATLAB 和 Simulink 中设计控制器时,可以使用估计模型表示被控对象模型。

与 Simulink 集成

在 Simulink 中使用内置模块实现估计模型、状态估计器和递归模型。可以使用这些模块执行系统分析和控制设计任务。

控制器设计

使用估计模型,通过 Control System Toolbox 进行控制器设计和调优。使用 PID Tuner 中的系统识别功能,基于测得的数据或具有不连续性的 Simulink 模型来估计线性被控对象动态。

非线性模型识别

估计模型,用以捕获系统中的非线性。

非线性 ARX 模型

将自回归模型与小波网络、树分割、S 型网络和神经网络(需要 Deep Learning Toolbox™)等非线性估计器相结合,对系统进行建模。

采用小波非线性估计器得到的非线性 ARX 模型。

Hammerstein-Wiener 模型

对于一个原本应该是线性的系统,估计其输入和输出中出现的静态非线性失真。例如,估计影响直流电机输入电流的饱和度。

灰箱模型识别

构建灰箱模型,将其表示为一组同时包含已知和未知参数的方程。然后,可以使用测得的测试数据来估计这些参数并捕获系统动态,同时无需更改模型结构。

线性灰箱模型

使用微分方程、差分方程或状态空间系统对线性系统建模。基于测得的输入-输出数据估计指定的模型参数,如摆的质量和长度,或电机的电阻及反电动势常数。

 直流电机的线性灰箱模型。

非线性灰箱模型

使用非线性微分方程或差分方程对系统建模。基于测得的输入-输出数据估计指定的模型参数。

相比线性模型,非线性灰箱模型能更好地表示双容系统。

时序模型

通过识别 AR、ARMA、状态空间及其他线性和非线性模型来分析时序数据。

时序模型

估计时序模型以拟合从系统测得的数据。然后,您可以预测时序模型的未来值,从而预测系统行为。

时序模型可用于预测设备的运行状况。

最新特性

实时编辑器任务

通过对损失函数应用加权预滤波,更准确地估计状态空间和过程模型

实时编辑器任务

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

扩展和无迹卡尔曼滤波器的残差

计算滤波器预测值的残差和残差协方差

关于这些特性和相应函数的详细信息,请参阅发行说明