La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.
System Identification Toolbox
System Identification Toolbox™ propose des fonctions MATLAB®, des blocs Simulink® et une application de modélisation de système dynamique, d’analyse de séries temporelles et de prévision. Vous pouvez découvrir des relations dynamiques entre les variables mesurées afin de créer des fonctions de transfert, des modèles de processus, ainsi que des modèles de représentation d'état en temps continu ou discret, tout en utilisant des données du domaine temporel ou fréquentiel. Vous pouvez prévoir des séries temporelles en utilisant des modèles AR, ARMA, et d'autres techniques de modélisation autorégressives linéaires et non-linéaires.
La toolbox vous permet d'estimer la dynamique de systèmes non linéaires en utilisant des modèles Hammerstein-Wiener et ARX non linéaires avec des techniques de Machine Learning telles que les processus gaussiens (GP), les machines à vecteurs de support (SVM) et d'autres représentations. Vous pouvez également créer des modèles neuronaux d’équations différentielles ordinaires (ODE) en utilisant le Deep Learning pour capturer la dynamique des systèmes non linéaires. La toolbox vous permet de réaliser une identification de système de type boîte grise afin d'estimer les paramètres d'un modèle défini par l'utilisateur. Vous pouvez intégrer les modèles identifiés dans Simulink afin d'effectuer des simulations rapides pour le design de systèmes de contrôle et les applications de diagnostic et de pronostic.
Vous pouvez estimer les états et les paramètres en ligne en utilisant des filtres de Kalman étendus ou sans parfum et des filtres à particules pour le contrôle adaptatif, la détection de panne, et les applications à capteurs virtuels. La toolbox vous permet de générer du code C/C++ pour les algorithmes d’estimation en ligne afin de cibler des dispositifs embarqués.
Commencer avec System Identification Toolbox
Apprendre les bases de System Identification Toolbox
Préparation des données
Tracer, analyser, annuler les tendances et filtrer des données du domaine temporel et fréquentiel ; générer et importer des données
Identification de modèles linéaires
Identifier les modèles de réponse impulsionnelle, de réponse en fréquence et paramétriques, tels que les modèles linéaires de représentation d'état et de fonction de transfert
Identification de modèles non linéaires
Identifier les modèles non linéaires ARX, Hammerstein-Wiener, de type boîte grise et les modèles neuronaux de représentation d'état
Estimation de modèles type boîte grise
Estimer les coefficients d’équations différentielles ou au différences, linéaires et non linéaires, et d’équations de représentation d’état
Validation du modèle
Comparaison du modèle à la sortie mesurée, analyse des résidus, tracés de réponse avec limites de confiance
Analyse du modèle
Discrétiser les modèles, convertir les modèles en d'autres types, linéariser les modèles non linéaires, simuler et prédire la sortie
Analyse des séries temporelles
Analyser les données de séries temporelles en identifiant des modèles linéaires et non linéaires, tels que les modèles AR, ARMA, de représentations d'état et de type boîte grise, en réalisant des analyses spectrales et en prévoyant des sorties du modèle
Estimation en ligne
Estimation des paramètres et états des modèles pendant le fonctionnement du système, génération du code et déploiement du code vers des cibles embarquées
