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 non linéaires
Utilisez l'identification des modèles non linéaires lorsqu'un modèle linéaire ne capture pas complètement la dynamique de votre système. Vous pouvez identifier les modèles non linéaires dans l'application System Identification ou au niveau de la ligne de commande. System Identification Toolbox™ vous permet de créer et d'estimer quatre structures de modèles non linéaires :
Modèles ARX non linéaires : représentez les non-linéarités de votre système au moyen d'objets de correspondance dynamiques non linéaires tels que les réseaux d'ondelettes, le partitionnement d’arbres et les réseaux sigmoïdes.
Modèles Hammerstein-Wiener : estimez les non-linéarités statiques dans un système par ailleurs linéaire.
Modèles non linéaires de type boîte grise : représentez votre système non linéaire au moyen d'équations différentielles ordinaires ou d'équations aux différences (ODE) avec des paramètres inconnus.
Modèles neuronaux de représentation d'état : utilisez des réseaux neuronaux pour représenter les fonctions qui définissent la réalisation non linéaire de représentation d'état de votre système.
Rubriques
Modèles non linéaires identifiés
- 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: - 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. - 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.
Estimation de modèles
- Identification de modèles boîte noire non linéaires avec l’application System Identification
Identification de modèles boîte noire non linéaires à partir de données à entrée unique/sortie unique (SISO) avec l’application 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.
