Identificar modelos no lineales
Utilice la identificación de modelos no lineales cuando un modelo lineal no capture por completo la dinámica del sistema. Puede identificar modelos no lineales en la app System Identification o en la línea de comandos. System Identification Toolbox™ permite la creación y estimación de cuatro estructuras de modelos no lineales:
Modelos ARX no lineales: represente no linealidades en el sistema utilizando objetos de mapeo no lineales dinámicos como redes wavelet, partición en árbol y redes sigmoides.
Modelos Hammerstein-Wiener: realice la estimación de no linealidades estáticas en un sistema por lo demás lineal.
Modelos de caja gris no lineales: represente el sistema no lineal utilizando ecuaciones diferenciales o de diferencias ordinarias (EDO) con parámetros desconocidos.
Modelos de espacio de estados neuronales: utilice redes neuronales para representar las funciones que definen la realización en espacio de estados no lineales del sistema.
La identificación de modelos no lineales requiere datos del dominio del tiempo muestreados de manera uniforme. Los datos pueden tener uno o más canales de entrada y salida. También puede modelar datos de series temporales utilizando modelos ARX no lineales y de caja gris no lineales. Para obtener más información, consulte About Identified Nonlinear Models.
Puede utilizar los modelos identificados para simular y predecir salidas de modelo en la línea de comandos, en la app o en Simulink®. Si tiene Control System Toolbox™, también puede linealizar el modelo y usarlo para el diseño del sistema de control. Para obtener más información, consulte Linear Approximation of Nonlinear Black-Box Models.
Categorías
- Conceptos básicos de la identificación de modelos no lineales
Modelos no lineales identificados, modelado de caja negra y regularización
- Modelos ARX no lineales
Comportamiento no lineal modelado utilizando redes dinámicas como redes sigmoides y wavelet
- Modelos Hammerstein-Wiener
Conexión de sistemas dinámicos lineales con no linealidades estáticas como saturación y zonas muertas
- Modelos de caja gris no lineales
Realice la estimación de coeficientes de ecuaciones diferenciales, de diferencias o en espacio de estados no lineales
- Modelos de espacio de estados neuronales
Utilice redes neuronales para representar las funciones que definen la realización de espacios de estados no lineales del sistema
- Modelado de orden reducido
Reduzca la complejidad computacional de modelos creando modelos sustitutos precisos
Ejemplos destacados
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.
