Nozioni di base sull'identificazione di modelli lineari
I modelli lineari sono i modelli più semplici che si possono identificare utilizzando System Identification Toolbox™. Utilizzare l'identificazione di modelli lineari quando un modello lineare è sufficiente per catturare completamente la dinamica del sistema. Per identificare i modelli lineari, si parte dai dati di input-di output nel dominio del tempo o della frequenza e con una struttura del modello, come il modello stato-spazio o il modello di funzione di trasferimento. Il software regola iterativamente i parametri liberi del modello al fine di minimizzare la differenza tra l'output misurato e la risposta del modello simulato ai dati di input. La toolbox consente di eseguire delle attività, come le seguenti:
Stimare i modelli lineari utilizzando una struttura del modello specifica.
Utilizzare un approccio di modellazione black-box e individuare la struttura del modello che meglio si adatta ai dati.
Costruire un modello lineare preliminare e utilizzarlo per inizializzare i parametri del modello che si intende stimare.
Incorporare le conoscenze del sistema nel modello fissando i parametri noti a valori specifici.
Utilizzare la stima regolarizzata per ridurre l'incertezza del modello vincolandone la flessibilità.
Argomenti
Identificazione di modelli lineari
- Identificazione di modelli lineari utilizzando l’app System Identification
Identificare modelli black-box lineari da dati a ingresso singolo/uscita singola (SISO) utilizzando l’app System Identification. - Identificazione di modelli lineari utilizzando la riga di comando
Identificare modelli lineari da dati a ingresso multiplo/uscita singola (MISO) utilizzando i comandi System Identification Toolbox. - Frequency Domain Identification: Estimating Models Using Frequency Domain Data
This example shows how to estimate models using frequency domain data. - Estimation Report
The estimation report contains information about the results and options used for a model estimation.
Selezione della struttura del modello
- About Identified Linear Models
System Identification Toolbox software uses objects to represent a variety of linear and nonlinear model structures. - Available Linear Models
Summary of linear model types that you can use for system identification. - Modellazione black-box
La modellazione black-box è utile quando l’interesse principale è l’adattamento dei dati, a prescindere da una particolare struttura matematica del modello. - Model Structure Selection: Determining Model Order and Input Delay
This example shows some methods for choosing and configuring the model structure. - Modeling Multiple-Output Systems
Use a multiple-output modeling technique that suits the complexity and internal input-output coupling of your system. - Types of Model Objects
Model object types include numeric models, for representing systems with fixed coefficients, and generalized models for systems with tunable or uncertain coefficients.
Strutture e vincoli dell'oggetto del modello
- Linear Model Structures
Linear models in System Identification Toolbox take the form of model objects that are linear model structures. You can construct model objects directly or use estimation commands to both construct and estimate models. You can also modify the properties of existing model objects. - Imposing Constraints on Model Parameter Values
Constrain the adjustments that the estimation algorithm can make to individual model parameters by using theStructureproperty of the mode object.
Regolarizzazione
- Regularized Identification of Dynamic Systems
This example shows the benefits of regularization for identification of linear and nonlinear models. - Estimate Regularized ARX Model Using System Identification App
This example shows how to estimate regularized ARX models using automatically generated regularization constants in the System Identification app. - Regularized Estimates of Model Parameters
Regularization is the technique for specifying constraints on the flexibility of a model, thereby reducing uncertainty in the estimated parameter values.
Ulteriori argomenti
- Loss Function and Model Quality Metrics
Configure the loss function that is minimized during parameter estimation. After estimation, use model quality metrics to assess the quality of identified models. - Effect of Input Intersample Behavior on Continuous-Time Models
The intersample behavior of the input signals influences the estimation, simulation and prediction of continuous-time models.
Esempi in primo piano
Data and Model Objects in System Identification Toolbox
Manage data and model objects available in the System Identification Toolbox.
Estimating Simple Models from Real Laboratory Process Data
Develop and analyze simple models from a real laboratory process data.
