La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.
Principes de base de l’identification de modèles linéaires
Les modèles linéaires sont les modèles les plus simples que vous pouvez identifier avec System Identification Toolbox™. Utilisez l'identification des modèles linéaires lorsqu'un modèle linéaire est suffisant pour capturer complètement la dynamique de votre système. Pour identifier des modèles linéaires, commencez par des données d’entrée-sortie du domaine temporel ou fréquentiel et une structure de modèle, telle qu’un modèle de représentation d’état ou de fonction de transfert. Le software ajuste de manière itérative les paramètres du modèle libre afin de minimiser la différence entre la sortie mesurée et la réponse du modèle simulé aux données d'entrée. La toolbox vous permet d'effectuer par exemple les tâches suivantes :
Estimer des modèles linéaires au moyen d’une structure de modèle spécifique.
Utiliser une approche de modélisation de type boîte noire et explorer la structure de modèle convenant le mieux à vos données.
Bâtir un modèle linéaire préliminaire et l’utiliser pour initialiser les paramètres du modèle à estimer.
Intégrer les connaissances du système à votre modèle en définissant les paramètres connus sur des valeurs spécifiques.
Utiliser une estimation régularisée afin de réduire l’incertitude de votre modèle en limitant la flexibilité du modèle.
Rubriques
Identifier des modèles linéaires
- Identification de modèles linéaires à l’aide de l’application System Identification
Identification de modèles boîte noire linéaires à partir de données à entrée unique/sortie unique (SISO) avec l’application System Identification. - Identification de modèles linéaires avec l'interface en lignes de commande
Identification de modèles linéaires à partir de données à entrées multiples/sortie unique (MISO) en utilisant les commandes de 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.
Sélectionner une structure de modèle
- 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. - Modélisation boîte noire
La modélisation boîte noire est utile lorsque votre intérêt principal est de vous ajuster aux données, indépendamment d’une structure mathématique particulière du modèle. - 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.
Structures et contraintes des objets de modèle
- 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.
Régularisation
- 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.
Thèmes supplémentaires
- 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.
Sélection d՚exemples
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.
