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.