Die System Identification Toolbox vereint MATLAB-Funktionen, Simulink-Blöcke und eine App zur dynamischen Systemmodellierung, Zeitreihenanalyse und Vorhersage. So können Sie die dynamischen Beziehungen zwischen den gemessenen Variablen untersuchen, um Übertragungsfunktionen, Prozessmodelle und Zustandsraummodelle entweder zeitkontinuierlich oder zeitdiskret mithilfe von Daten aus dem Zeit- oder Frequenzbereich zu erstellen. Ebenso lassen sich Zeitreihen mithilfe von AR, ARMA und anderen linearen und nichtlinearen autoregressiven Modellierungstechniken prognostizieren.

Die Toolbox ermöglicht die Schätzung nichtlinearer Systemdynamiken mithilfe von Hammerstein-Wiener- und nichtlinearen ARX-Modellen mit Methoden des Machine Learning wie Gaußschen Prozessen (GP), Support Vector Machines (SVM) und anderen Darstellungen. Alternativ dazu besteht die Möglichkeit, mithilfe von Deep Learning neuronale Modelle für gewöhnliche Differentialgleichungen (ODE) zu erstellen, um nichtlineare Systemdynamiken zu erfassen. Mit der Toolbox können Sie ebenso eine Grey-Box-Systemidentifikation zur Abschätzung der Parameter eines benutzerdefinierten Modells durchführen. Die identifizierten Modelle können dann in Simulink integriert werden, um schnelle Simulationen für den Steuerungs- und Regelungsentwurf sowie für Diagnose- und Prognoseanwendungen vorzunehmen.

Mithilfe von erweiterten oder einfachen Kalman-Filtern und Partikelfiltern lassen sich Online-Parameter- und Zustandsschätzungen für adaptive Regelungen, zur Fehlerdetektion und für Soft-Sensing-Anwendungen durchführen. Diese Toolbox ermöglicht die Generierung von C/C++ Code für Online-Schätzalgorithmen auf Embedded Devices.