Grundlagen zur Identifikation nicht linearer Modelle
Sie können eine nicht lineare Modellidentifikation verwenden, wenn sich Ihre Systemdynamik mithilfe eines linearen Modells nicht vollständig erfassen lässt. Sie können nicht lineare Modelle in der System Identification-App oder über die Befehlszeile identifizieren. Mit System Identification Toolbox™ können Sie vier nicht lineare Modellstrukturen erstellen und schätzen:
Nicht lineare ARX-Modelle – Sie können Nichtlinearitäten in Ihrem System mit dynamischen nicht linearen Mapping-Objekten wie Wavelet Networks, Tree Partitioning und Sigmoid Networks darstellen.
Hammerstein-Wiener-Modelle – Mit diesen Modellen können Sie statische Nichtlinearitäten in einem ansonsten linearen System schätzen.
Nicht lineare Grey-Box-Modelle – Mit gewöhnlichen Differenzial- oder Differenzgleichungen mit unbekannten Parametern können Sie Ihr nicht lineares System darstellen.
Neuronale Zustandsraummodelle – Verwenden Sie neuronale Netzwerke, um die Funktionen darzustellen, die die nicht lineare Zustandsraum-Realisierung Ihres Systems definieren.
Themen
Nicht lineare identifizierte Modelle
- 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: - Black-Box-Modellierung
Die Black-Box-Modellierung ist hilfreich, wenn Sie primär daran interessiert sind, die Daten unabhängig von einer bestimmten mathematischen Struktur des Modells anzupassen. - 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.
Modellschätzung
- Identifizieren nichtlinearer Black-Box-Modelle mithilfe der App „System Identification“
Identifizieren Sie nichtlineare Black-Box-Modelle anhand von Single-Input/Single-Output-(SISO-)Daten mithilfe der 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.