Nozioni di base sull'identificazione di modelli non lineari
Utilizzare l'identificazione di modelli non lineari quando un modello lineare non cattura completamente la dinamica del sistema. È possibile identificare i modelli non lineari nell'app System Identification o dalla riga di comando. System Identification Toolbox™ consente di creare e stimare quattro strutture di modelli non lineari:
Modelli ARX non lineari: rappresentare le non linearità del sistema utilizzando oggetti di mappatura dinamica non lineare come le reti wavelet, di partizione ad albero e le reti sigmoidee.
Modelli Hammerstein-Wiener: stimare le non linearità statiche in un sistema altrimenti lineare.
Modelli grey-box non lineari: rappresentare il sistema non lineare utilizzando equazioni differenziali ordinarie o di differenza (ODE) con parametri non noti.
Modelli stato-spazio neurali: utilizzare le reti neurali per rappresentare le funzioni che definiscono la realizzazione dello stato-spazio non lineare del sistema.
Argomenti
Modelli non lineari identificati
- About Identified Nonlinear Models
Dynamic models in System Identification Toolbox software are mathematical relationships between the inputs u(t) and outputs y(t) of a system. - Nonlinear Model Structures
Construct model objects for nonlinear model structures, access model properties. - Available Nonlinear Models
The System Identification Toolbox software provides four types of nonlinear model structures: - 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. - 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.
Stima del modello
- Identificazione di modelli black-box non lineari utilizzando l’app System Identification
Identificare modelli black-box non lineari da dati a ingresso singolo/uscita singola (SISO) utilizzando l’app System Identification. - Modeling Multiple-Output Systems
Use a multiple-output modeling technique that suits the complexity and internal input-output coupling of your system. - Preparing Data for Nonlinear Identification
Estimating nonlinear ARX and Hammerstein-Wiener models requires uniformly sampled time-domain data. - 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. - 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. - Estimation Report
The estimation report contains information about the results and options used for a model estimation. - Next Steps After Getting an Accurate Model
How you can work with identified models.
