主要内容
推荐模型估计序列
系统识别是一个迭代过程，您可以从数据中识别具有不同结构的模型，并比较模型性能。首先估计简单模型结构的参数。如果模型性能较差，则逐步增加模型结构的复杂性。最终，您将选择最简单的模型来最好地描述系统的动态。
从简单模型结构开始的另一个原因是高阶模型并不总是更精确。模型复杂性的增加增加了参数估计的不确定性，通常需要更多的数据(这在非线性模型中很常见)。
请注意
模型结构并不是决定模型精度的唯一因素。如果您的模型很差，您可能需要通过去除异常值或过滤噪声来对数据进行预处理。有关更多信息，请参见准备系统识别数据的方法．
首先估计脉冲响应和频率响应模型，以了解系统动力学，并评估线性模型是否足够。有关更多信息，请参见相关模型和频率特性模型．然后，按以下顺序估计参数模型:
传递函数、ARX多项式和状态空间模型提供了最简单的结构。通过对ARX和状态空间模型的估计，您可以确定模型的顺序。
在系统识别应用程序中．选择估计传递函数模型，ARX多项式模型，状态空间模型使用
n4sid方法。有关更多信息，请参见输入-输出多项式模型和状态空间模型．
ARMAX和BJ多项式模型结构更复杂，需要迭代估计。尝试几个模型订单，并保持尽可能低的模型订单。
在系统识别应用程序中．选择估计BJ和ARMAX多项式模型。
有关更多信息，请参见输入-输出多项式模型．
非线性ARX或Hammerstein-Wiener模型提供非线性结构。有关更多信息，请参见非线性模型识别．
你也可以从以下列表中选择一个网站:
