La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.
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.
L'identification de modèles non linéaires nécessite des données dans le domaine temporel, échantillonnées de manière uniforme. Vos données peuvent présenter un ou plusieurs canaux d'entrée et de sortie. Vous pouvez également modéliser des données de séries temporelles au moyen de modèles ARX non linéaires et de modèles non linéaires de type boîte grise. Pour plus d’informations, consultez About Identified Nonlinear Models.
Vous pouvez utiliser les modèles identifiés pour simuler et prédire la sortie de modèle au niveau de la ligne de commande, dans l’application ou dans Simulink®. Si vous disposez de Control System Toolbox™, vous pouvez également linéariser votre modèle et l'utiliser pour le design de systèmes de contrôle. Pour plus d’informations, consultez Linear Approximation of Nonlinear Black-Box Models.
Catégories
- Principes de base de l’identification de modèles non linéaires
Modèles non linéaires identifiés, modélisation de type boîte noire et régularisation
- Modèles ARX non linéaires
Comportement non linéaire modélisé au moyen de réseaux dynamiques tels que la sigmoïde et l'ondelette
- Modèles Hammerstein-Wiener
Connexion de systèmes dynamiques linéaires avec des non-linéarités statiques telles que la saturation et la zone morte
- Modèles boîte grise non linéaires
Estimer les coefficients d’équations différentielles non linéaires, d’équations aux différences et d’équations de représentation d’état
- Modèles neuronaux de représentation d'état
Utilisez des réseaux de neurones pour représenter les fonctions qui définissent la réalisation non linéaire de représentation d'état de votre système
- Modélisation d'ordre réduit
Réduire la complexité computationnelle des modèles en créant des substituts précis
Sélection d՚exemples
Nonlinear Modeling of a Magneto-Rheological Fluid Damper
Nonlinear black-box modeling of the dynamic behavior of a magneto-rheological fluid damper, using Nonlinear ARX and Hammerstein-Weiner models.
A Tutorial on Identification of Nonlinear ARX and Hammerstein-Wiener Models
Identify single-input-single-output (SISO) nonlinear black box models using measured input-output data.
Motorized Camera - Multi-Input Multi-Output Nonlinear ARX and Hammerstein-Wiener Models
Estimate multi-input multi-output (MIMO) nonlinear black box models from data.
Use LSTM Network for Linear System Identification
Use Long Short-Term Memory (LSTM) neural networks to estimate a linear system and compares this approach to transfer-function estimation.
Reduced Order Modeling of Electric Vehicle Battery System Using Neural State-Space Model
A reduced order modeling (ROM) workflow, where you use deep learning to obtain a low-order nonlinear state-space model that serves as a surrogate for a high-fidelity battery model. The low-order model takes the current (charge or discharge) and state of charge (SOC) as inputs and predicts voltage and temperature of an electric vehicle (EV) battery module while the battery is being cooled by an edge-cooled plate with a coolant at a constant flow rate. You train the low-order model and deploy it in Simulink® to compare it against the high-fidelity model.
Generate NARMAX Models
Generate NARMAX models using the available model structures and their training algorithms by preparing a finite-horizon prediction algorithm. The available model structures include nonlinear ARX, grey-box, and neural state-space models. For more information on the model structures, see NARMAX Model Identification.
