赌博海报,镇江pk棋牌游戏,鼎丰彩票网站优惠大厅官网地址电话(中国)·官方网站

我們在上一篇深度學習用于動態(tài)系統(tǒng)建模（點擊跳轉）的文章中針對動態(tài)系統(tǒng)的特性與數據驅動的動機進行了論述。我們介紹了動態(tài)系統(tǒng)當前輸出不僅依賴于當前的輸入，還依賴于系統(tǒng)過去的行為（歷史輸入和歷史輸出）。我們也介紹了什么場景下使用深度學習/系統(tǒng)辨識來進行系統(tǒng)建模。本文我們主要介紹數據驅動的另一個主題：系統(tǒng)辨識。為了更好地理解，我們可以設計一個簡單的線性系統(tǒng)[鏈接1]，更具體的是一個連續(xù)時間狀態(tài)空間模型，來解釋系統(tǒng)辨識的適用場景：

? 我們創(chuàng)建一個旋轉體的狀態(tài)空間模型，包括轉動慣量J，阻尼力F和三個旋轉軸:

系統(tǒng)輸入 T 為驅動扭矩。輸出 y 是旋轉體的角速度向量。將系統(tǒng)描述成狀態(tài)空間形式：

變成

對應的狀態(tài)空間矩陣為：

J = [8 -3 -3; -3 8 -3; -3 -3 8];

F = 0.2*eye(3);

A = -JF;

B = inv(J);

C = eye(3);

D = 0;

sys_mimo = ss(A,B,C,D);

?我們隨機生成控制輸入向量u的時間序列，作用于這個系統(tǒng)上，得到系統(tǒng)的輸出y。[鏈接2]

（滑動窗口查看完整代碼）

% 構建隨機步長的二值三維序列，N采樣數，Nu是控制量的維度

u = idinput([N,Nu],'prbs',frequency,Range);

for i = 1:Nu

% 為二值序列隨機賦值，得到不同幅值的序列

idx = find(diff(u(:,i))) + 1;

idx = [1;idx];

for j = 1:length(idx) - 1

u(idx(j):idx(j+1)-1,i) = randn*u(idx(j));

end

t = (1:N)*dt;

% 將控制輸入序列u作用系統(tǒng)上得到系統(tǒng)輸出

[y,t] = lsim(sys_mimo,u,t);

輸入 u=[u1 u2 u3] 應三個維度的扭矩輸入，輸出對應 y=[y1 y2 y3] 三個維度的。如下：

我們現(xiàn)在有系統(tǒng)的輸入 u，也有系統(tǒng)的輸出 y，這不就是數據科學的菜嗎，即使不知道系統(tǒng)模型，是不是也能“擬合”出來 y 和 u 的一個機器學習代理模型 (surrogate model)？我們工程中碰到的動態(tài)系統(tǒng)通常也是可以獲取系統(tǒng)輸入和輸出，當然比這個線性系統(tǒng)復雜多了，那能不能也用這種思路得到 y 和 u 的數據模型？接下來，是不是我們只需要把 y 和 u 作為輸出（真值）和輸入（特征）給到機器學習/深度學習算法，我們就能得到這樣一個動態(tài)系統(tǒng)的數據模型呢？并非那么簡單。原因我們上一篇文章也解釋過，動態(tài)系統(tǒng)的特殊性，狀態(tài)在時間維度上是有依賴的，并非某時刻有相同的控制輸入就有相同的狀態(tài)輸出，輸出也取決于當前系統(tǒng)的狀態(tài)。我們不妨就用剛才的數據 y 的第一個維度 y1 和 u，直接用幾種靜態(tài)機器學習算法對比動態(tài)系統(tǒng)辨識算法來說明這種現(xiàn)象：a)使用高斯過程回歸進行建模[鏈接3]

% 訓練回歸模型

regressionGP = fitrgp(...

predictors,...

response,...

'BasisFunction','constant',...

'KernelFunction','rationalquadratic',...

'Standardize',true);

圖表 1高斯過程回歸RMSE(Validation):0.7953a) 梯度提升集成回歸[鏈接4]

% 訓練回歸模型

template = templateTree(...

'MinLeafSize',11, ...

'NumVariablesToSample',3);

regressionEnsemble = fitrensemble(...

predictors, ...

response, ...

'Method','LSBoost', ...

'NumLearningCycles',465, ...

'Learners', template,...

'LearnRate',0.2277131533235215);

圖表 2 梯度提升集成RMSE(Validation):0.5279從上面的高斯過程和梯度提升樹表現(xiàn)結果來看，雖然可以捕捉一些系統(tǒng)的特性，尤其梯度提升算法在精度上比高斯過程也有一定的提升，但誤差還是較大，系統(tǒng)瞬態(tài)特征被“平均”了。上述方式訓練的機器學習靜態(tài)模型，在某瞬時只要輸入 u 是相同的，那么輸出 y 也是相同的，這與我們提到的動態(tài)系統(tǒng)當前時刻的輸出不止取決于輸入，還依賴于當前系統(tǒng)狀態(tài)（換句話說即使在某個時刻相同的輸入，系統(tǒng)也可以有不同的輸出）的特性是不相符合的。當然，可以通過一些特征衍生（例如不同尺度滑窗作用在輸入序列上生成新的特征等）的手段得到能夠反映狀態(tài)變化的多尺度特征用于模型訓練，這樣的方式也使一些統(tǒng)計方法或機器學習模型或前饋神經網絡等靜態(tài)模型可以用于動態(tài)系統(tǒng)建模（上篇文章我們也介紹了電池、電機的使用示例）。b) 如果我們換個思路（系統(tǒng)辨識），假使我們提前已經清楚這個系統(tǒng)可以用一個狀態(tài)空間模型表達，我們直接用動態(tài)模型來“擬合”這個動態(tài)系統(tǒng)，我們看看效果：nx = 3;sys = ssest(result,nx,'Ts',dt); % 進行狀態(tài)空間模型系統(tǒng)辨識compare(result,sys) % 查看訓練結果其實不必看結果我們也已經估摸到結果可以達到100% 的準確度，如下圖。當然這個例子并非嚴謹，我們只看了訓練過程，也沒有準備測試數據，數據本身也沒有噪聲，但對于說明系統(tǒng)辨識的應用場景還是比較直觀的。

系統(tǒng)辨識利用測量得到的系統(tǒng)輸入和輸出信號來給那些不容易通過第一原理建模的動態(tài)系統(tǒng)構建數學模型。可以通過采集系統(tǒng)的輸入 - 輸出的時域和頻域數據來辨識連續(xù)時間或離散時間模型: 包括線性系統(tǒng)辨識，例如傳遞函數，過程模型，狀態(tài)空間模型，以及非線性系統(tǒng)動態(tài)特性辨識，Hammerstein-Weiner 模型和 NARX（帶外部輸入的非線性自回歸，包含小波網絡，樹分類，sigmoid 網絡等）模型。另外，如果我們對系統(tǒng)結構比較熟悉，也可以利用已有的理論定義含參的模型框架（微分方程），然后通過 Grey-Box 進行模型參數辨識。辨識計算的過程就是模型參數迭代的過程（類似優(yōu)化算法），方法包括最大似然、預測誤差最小化 (PEM) 和子空間系統(tǒng)辨識。最后可以使用辨識好的模型進行響應預測與系統(tǒng)仿真。總結下來整個流程即：

接下來我們通過 MATLAB 自帶文檔示例（[鏈接5]，示例中提到了數據來源和參考文獻^[1]，Dr. Jiandong Wang 和 Dr. Akira Sano）來介紹上述提到的不同的模型。也鼓勵大家多多查閱幫助文檔。通過該示例，我們展示如何使用阻尼器的速度和阻尼力的測量數據來對系統(tǒng)創(chuàng)建線性、非線性 ARX 和 Hammerstein-Wiener 模型。

示例背景介紹和數據準備

磁流變阻尼器是一種半主動控制裝置，用于降低動態(tài)結構的振動。磁流變液的粘度取決于輸入電壓/電流，因此可提供可控的阻尼力。為了研究這個系統(tǒng)的動態(tài)性能，將磁流變阻尼器一端固定在地面上，另一端連接到振動臺。每 0.005s 采樣一次阻尼力 f(t)。每 0.001s 采樣一次位移，用于在 0.005s 的采樣周期內估計速度 v(t)。系統(tǒng)單輸入單輸出。輸入 v(t)為阻尼器的速度 [cm/s]，輸出為阻尼力 [N]。% F, V, Ts是load mrdamper.mat后加載的數據，將 F (output force), V (input% velocity) 和 Ts (sample time)封裝到iddata對象中.z = iddata(F, V, Ts,'Name', 'MR damper', ... 'InputName', 'v', 'OutputName', 'f',... 'InputUnit', 'cm/s', 'OutputUnit', 'N'); 將這個數據集 z 分成兩個子集，前 2000 個樣本 (ze) 用于估計/訓練，其余的 (zv) 用于驗證結果。

幾種線性系統(tǒng)模型

首先嘗試從簡單的線性模型開始。如果線性模型不能提供令人滿意的結果，那它也可以作為探索非線性模型的初值。ARX(Autoregressive with Extra Input) 模型ARX模型全稱帶外部輸入的自回歸(Autoregressive with Extra Input)。模型結構方程：

模型中 y(t) 是系統(tǒng) t 時刻的輸出，自回歸是指模型中含有 y 自身的項 y(t-1)···y(t-na)，na 對應系統(tǒng)極點的個數，也就是 y(t) 和自身的 na 階有依賴，外部輸入項 u(t-nk)+···+(t-nb-nk+1)是對 y(t)產生影響的歷史輸入。其中 nk 是系統(tǒng)的延遲數，也就是 u(t)···u(t-nk+1) 這些項因為系統(tǒng)延遲還不會對 y(t)產生影響，因此這些項不存在模型中。nb 是系統(tǒng)的零點個數，也就是輸入有 nb 階影響輸出。e(t) 是白噪音。模型一種更簡潔的寫法：

其中，q是單位延遲算子，

?我們首先利用 ARX 模型來進行模型階數推薦。階數的定義取決于模型的類型。通常模型最優(yōu)階數是通過試錯得到的。但是線性 ARX 模型的階數可以通過 arxstruc 和 selstruc 等函數自動計算出來。由此得到的階數也可以作為非線性模型嘗試使用的階數。我們先試著確定線性 ARX 模型的最優(yōu)階數。V = arxstruc(ze,zv,struc(1:5, 1:5,1:5));% 嘗試讓na, nb, nk在[1:5]取值Order = selstruc(V,'aic') % 根據Akaike's Information Criterion 選擇階數Order =2 4 1AIC 準則選擇 Order = [na nb nk]=[2 4 1]，即在選擇的 ARX 模型結構中，阻尼力 f(t) 使用 f(t-1)、f(t-2)、v(t-1)、v(t-2)、v(t-3)和v(t-4) 6 個回歸量 (regressor) 進行預測。我們先按前面 selstruc 推薦的階數對應的 ARX 模型進行估計：LinMod1 = arx(ze, [2 4 1]);% ARX 模型 Ay = Bu + e, 形式同上面方程（4）OE 模型

這里先簡單介紹一下OE模型,它和傳遞函數相同，用多項式的比描述系統(tǒng)的輸入和輸出之間的關系。

模型階數等于分母多項式的階數。分母多項式的根稱為模型極點。分子多項式的根稱為模型零點。傳遞函數模型的參數是它的極點(階數 nf)、零點(階數 nb)和傳輸延遲(階數 nk)。離散時間模型形式為:

對應的階數：

連續(xù)時間 OE 或傳遞函數模型形式為：

式中，Y(s)、U(s)、E(s) 分別表示輸出、輸入、噪聲的拉普拉斯變換。num(s)和 den(s)表示分子和分母多項式，定義了輸入和輸出之間的關系。

同樣我們用上面推薦的階數進行輸出誤差模型(OE)估計。LinMod2 = oe(ze, [4 2 1]); % OE 模型 y = B/F u + e，形式同方程（5）

狀態(tài)空間模型

狀態(tài)空間模型用一組狀態(tài)變量的一階微分（連續(xù)時間）或差分（離散時間）方程來描述系統(tǒng)，而不是用一個或多個 n 階微分或差分方程來描述系統(tǒng)。狀態(tài)變量 x(t) 可以從測量的輸入-輸出數據中抽象出來的，但在實驗中它們本身不存在或不可測量的。狀態(tài)方程模型只需要你指定一個輸入,即這個模型階數 n。模型階數等于 x(t) 的維數，它和對應的線性差分方程中輸入輸出的延遲數相關,但不一定相等。定義參數化狀態(tài)空間模型時，連續(xù)時間形式通常比離散時間形式容易，因為連續(xù)時間就跟你寫物理常微分方程類似。連續(xù)時間狀態(tài)空間模型有如下形式:

矩陣 F、G、H 和 D 具有一定的物理意義，例如和材料有關。K 包含擾動矩陣。X0 代表初始狀態(tài)。可以使用時域和頻域數據來估計連續(xù)時間狀態(tài)空間模型。離散時間形式我們就不寫了，連續(xù)時間頻域數據不能用于估計離散時間狀態(tài)空間模型。回到問題本身，我們可以創(chuàng)建一個線性狀態(tài)空間模型，其階數(=狀態(tài)數)將自動確定:LinMod3 = ssest(ze);% 創(chuàng)建一個 3 階狀態(tài)空間模型 state-space model我們可以看一下這三個模型訓練集和驗證集上效果比較：

從驗證集的結果看最好的模型擬合有 51% 的擬合度（擬合度即 NRMSE值，100(1-），其中y是真實值，

?是模型預測值）。幾種非線性系統(tǒng)模型非線性 ARX 模型

前面的嘗試看上去線性模型精度還有待提高，我們嘗試用 Nonlinear ARX (IDNLARX)模型。我們也可以用 advice 函數來查看系統(tǒng)的輸入輸出數據的非線性程度。

advice(ze, 'nonlinearity') % 查看系統(tǒng)的非線性建議There is an indication of nonlinearity in the data.A nonlinear ARX model of order [4 4 1] and idTreePartition function performs better prediction of output than the corresponding ARX model of the same order. Consider using nonlinear models, such as IDNLARX, or IDNLHW. You may also use the "isnlarx" command to test for nonlinearity with more options.非線性ARX模型對 ARX 做了一些擴展。它在結構中添加了非線性函數，如小波和 sigmoid 網絡，可以模擬復雜的非線性行為。對比線性 ARX 模型，見方程 (3)，我們重新組織一下方程 (3)，把當前輸出 y(t)寫成過去輸出 + 當前輸入 + 過去輸入之前權重和的形式, 我們把延遲數 nk 先設置成 0，噪聲也不考慮，模型結構簡化為：

u(t),y(t),e(t)分別是輸入，輸出和噪聲。y(t-1),y(t-2),···,y(t-na),u(t),u(t-1),···,u(t-nb-1) 是歷史輸出和延遲的輸入，他們看作 y(t) 的回歸量 (regressors,類似機器學習中的特征量，predictors)。系數矩陣 -a₁,···b_nb是作用在這些回歸量上的權重。線性 ARX 的輸出 y(t) 是這些回歸量的線性權重加和。對比線性 ARX，非線性 ARX 模型：

與方程 (6)不同處在于輸出 y(t)與回歸量之間的關系不是線性映射，而是一個非線性的映射 F。

F可以選擇不同的非線性函數，如小波網絡，多層前饋神經網絡，樹分類。

F 的輸入也就是模型的回歸量 (regressors)，這些回歸量對于線性 ARX 來說都是原始輸入和輸出的一些延遲項，非線性 ARX 則可以更復雜，可以是各種輸入輸出的非線性組合，例如：y(t-1)²,y(t-2)*u(t-1),abs(u(t-1)),max(y(t-3)*u(t-1),-10)。

我們通過一個結構圖更形象的理解非線性 ARX 模型

主要通過兩步來計算輸出有 y(t)1. 根據當前輸入 u(t)、歷史輸入 u(t-1)···、歷史輸出 y(t-1)··· 計算這些回歸量 (regressor) 的值。這些回歸量可以認為就是對應機器學習模型的特征量 (predictor)，可以是線性項，例如 u(t-1)，y(t-3),可以是多階多項式項 u(t-1)²，也可以是一些自定義的變換后的非線性項，例如 u(t-1)*y(t-3)。你可以把這些回歸量作為輸入指定給模型中的線性函數或者非線性函數。2. 使用輸出函數（同時包含線性和非線性兩部分）將前面計算的回歸量 regressor 映射到輸出。例如下面這個函數：

式中 x 對應著回歸量（regressor）向量，r 是 x 的均值。L^T(x-r)輸出函數的線性部分，g(Q(x-r))代表函數的非線性部分，Q 是一個投影矩。d 是一個補償偏置。F(x) 可以是任意非線性函數（小波網絡，多層感知機網絡，樹分類網絡），當使用數據進行模型辨識時，主要是通過迭代優(yōu)化來估計模型的參數值，例如 L,r,d,Q 以及網絡 g 中的參數。接下來我們回到示例本身，嘗試創(chuàng)建非線性 ARX 模型，按我們上面提到的兩個步驟，我們首先來創(chuàng)建回歸量 (regressor)。簡化起見，我們主要使用 linearRegressor 來創(chuàng)建線性回歸量，可以通過階數矩陣 [na nb nk] 來方便創(chuàng)建，至于多階多項式回歸量（可以使用 polynomialRegressor 創(chuàng)建）或者自定義回歸量（可以試用 customRegressor 來創(chuàng)建）我們暫不探索。本示例我們主要通過探索不同的模型階數（上面介紹的階數矩陣 [na nb nk]）和不同的非線性映射函數（小波、sigmoid 網絡、樹分類等等）。

估計一個默認的非線性 ARX 模型

Options = nlarxOptions('SearchMethod','lm');% 使用

LevenbergMarquardt作為估計算法

Options.SearchOptions.MaxIterations = 50;

Narx1 = nlarx(ze, [2 4 1], idSigmoidNetwork,Options)% 模型階數設置為 [2 4 1]，映射函數選擇 sigmoid 網絡，這個網絡用了一個 sigmoid 函數和一個回歸量的線性權重和來計算輸出，nlarx 函數用來估計非線性 ARX 模型

disp(Narx1.OutputFcn)

Sigmoid NetworkInputs: f(t-1), f(t-2), v(t-1), v(t-2), v(t-3), v(t-4)Output: fNonlinear Function: Sigmoid network with 10 unitsLinear Function: initialized to [48.3 -3.38 -3.34 -2.7 -1.38 2.15]Output Offset: initialized to -18.9因為階數[na nb nk] = [2 4 1],所以模型回歸量包含 f(t-1),f(t-2),v(t-1),v(t-2),v(t-3),v(t-4)。此處 f 代表輸出，v 代表輸入。分別在訓練集 ze 和驗證集 zv 上進行模型準確度驗證。

通過結果可以看到，同樣的階數情況下，非線性 ARX 比線性模型的結果還是有提升。我們有很多可以嘗試的方向來測試不同的模型參數。

嘗試不同的模型階數

圖表 3Narx2 為不同階數的模型在測試集上的結果從結果看出 Narx2{6} 模型對估計（訓練）數據集和驗證數據集的擬合結果都很好，同時階數比 Narx1 的要小。因此，我們將階數矩陣 [1 3 1] 作為后續(xù)試驗的階數，同時將 Nlarx2{6} 作為參考進行擬合比較。階數矩陣選擇對應于使用 [f(t-1)， v(t-1)， v(t-2)， v(t-3)] 作為回歸量 (regressor) 集合。

嘗試修改 Sigmoid 網絡函數的隱含單元數

接下來我們嘗試修改 Sigmoid 網絡函數的隱含單元數。

看上去增加隱含單元數并沒有帶來精度提升 (Narx3結果不如Narx2{6})，所以我們仍然用默認 10 個單元的 Sigmoid 網絡。

特征選擇：給非線性映射函數選擇回歸量子集

上面的示例中通過階數矩陣 ([na nb nk] = [1 3 1]) 定義的所有的回歸量都會作為非線性映射函數的輸入（此處用的 sigmoid 網絡）。但當回歸量的數量很大時，會增加模型的復雜度。在不改變模型階數的情況下，可以只選擇一部分回歸量作為 sigmoid 網絡的輸入，可以通過 RegressorUsage 來控制特征選擇。它的值是一個表，它指定哪些函數使用哪些回歸量。例如，我們可以只把輸入變量相關的 v(t-1)，v(t-2)，v(t-3) 傳給非線性 sigmoid 函數而不需要 f(t-1)這可以通過以下方式實現(xiàn):Sig = idSigmoidNetwork(10);NarxInit = idnlarx(ze.OutputName, ze.InputName, [1 3 1], Sig);NarxInit.RegressorUsage.("f:NonlinearFcn")(1) = false; % 通過這個指定，回% 歸量 v(t-1), v(t-2), and v(t-3) 會被 sigmoid 函數使用，輸出回歸量 f(t-1) 則不會% 被 sigmoid 函數使用，idSigmoidNetwork也包含一個線性函數，這個函數則使用了所有% 的回歸量disp(NarxInit.RegressorUsage)Narx4 = nlarx(ze, NarxInit, Options);f:LinearFcn f:NonlinearFcn___________ ______________f(t-1) true false v(t-1) true true v(t-2) true true v(t-3) true true 創(chuàng)建另一個模型，僅使用回歸量 {y1(t-1)， u1(t-2)， u1(t-3)} 作為其非線性分量。Use = false(4,1);Use([1 3 4]) = true;NarxInit.RegressorUsage{:,2} = Use;% 指定 {y1(t-1)， u1(t-2)， u1(t-3)} 作為% 非線性輸入量Narx5 = nlarx(ze,NarxInit,Otions);

看上去 Narx5 模型在估計數據和驗證數據上表現(xiàn)還可以。

嘗試不同的非線性映射函數

我們這次使用小波網絡（對回歸量的線性映射和非線性映射兩部分中的非線性映射部分使用小波網絡）。NarxInit = idnlarx(ze.OutputName, ze.InputName, [1 3 1], idWaveletNetwork);% 僅使用回歸量 1 和 3 用于非線性網絡映射NarxInit.RegressorUsage.("f:NonlinearFcn")([2 4]) = false;Narx6 = nlarx(ze, NarxInit, Options);除了小波網絡，也可以使用樹分類非線性函數。TreeNet = idTreePartition;TreeNet.NonlinearFcn.NumberOfUnits = 20;NarxInit.OutputFcn = TreeNet;Narx7 = nlarx(ze, NarxInit, Options);將他們的結果和之前的Narx3，Narx5 結果進行比較：

從目前嘗試的結果看 Narx6 和 Narx7 模型的表現(xiàn)比 Narx5 還差一些。

分析估計出來的 IDNLARX 模型得到直觀解釋

我們通過前面的結果選擇比較好的模型，接下來可以使用 plot 和 resid 等命令進一步分析來深入了解訓練的模型的非線性特性，檢查模型 f(t) = F(f(t-1)， F(t-2)， v(t-1)，…，v(t-4)) 中非線性函數 F 的截面。例如，在模型 Narx5 中，函數 F 是一個 sigmoid 網絡。為了探究 F() 作為回歸量 (regressor) 的函數的形狀，可以使用 PLOT 命令:plot(Narx5)

plot 函數窗口提供了選擇繪制橫截面的回歸量及其范圍的選項。殘差檢驗 (residual test) 可用于進一步模型分析。這個測試用于查看預測誤差是否為白噪聲且與輸入數據不相關。resid(zv, Narx3, Narx5)

殘差測試結果失敗可能是由于模型沒有捕捉到系統(tǒng)的動態(tài)。從 Narx3 結果看殘差大多在 99% 的置信區(qū)間內。非線性 ARX Hammerstein-Wiener模型Hammerstein-Wiener模型首先是一個非線性模型，但對于動態(tài)部分，它其實是一個線性傳遞函數，那么非線性它怎么實現(xiàn)的?他其實是在輸入和輸出分別加了一個靜態(tài)的非線性變換，這樣通過一個先行傳遞函數來描述動態(tài)特性再加上輸入和輸出的兩個靜態(tài)非線性函數，就組成了 Hammerstein-Wiener 模型。

圖中，f 是一個非線性函數，將輸入數據 u(t) 轉換（靜態(tài)變換，t 時刻的輸出值只取決于 t 時刻的輸入值）為 w(t) = F (u(t))。B/F 是一個線性傳遞函數，將 w(t) 變換為 x(t) = (B/F)w(t)，這是動態(tài)變換。B 和 F 類似于前面介紹的 OE 模型中的多項式。對于 ny 輸出和 nu 輸入，傳遞函數矩陣為:

其中，j = 1,2,……,ny和I = 1,2,…,nu 。h 是一個非線性函數，它將 x(t) 的輸出映射到(靜態(tài)變換)系統(tǒng)輸出 y(t)，即 y(t) = h (x(t))。我們使用和最開始 OE 模型 LinMod2 相同的階數 (nb = 4, nf = 2, nk = 1) 來估計一個 IDNLHW(Hammerstein-Wiener) 模型。使用 sigmoid 網絡作為 HW 模型非線性輸入和輸出。nlhw函數和其他估計函數（如 oe, nlarx 等函數）一樣。Opt = nlhwOptions('SearchMethod','lm');UNL = idSigmoidNetwork;YNL = idSigmoidNetwork;Nhw1 = nlhw(ze, [4 2 1], UNL, YNL, Opt)Nhw1 =Hammerstein-Wiener modelwith 1 output and 1 inputLinear transfer function corresponding to the orders nb = 4, nf = 2, nk = 1Input nonlinearity: Sigmoid network with 10 units Output nonlinearity: Sigmoid network with 10 unitsSample time: 0.005 secondsnhw1 模型在驗證數據上有約 70% 的擬合度。

分析估計的 IDNLHW 模型

和非線性 ARX 模型類似，Hammerstein-Wiener 模型也可以使用 PLOT 命令檢查 I/O 非線性和中間部分線性傳函的特性。plot(Nhw1)

從結果可以看出輸入非線性函數（像一個飽和函數）和輸出非線性函數（像一個分段線性函數）的形狀。線性傳函模塊的零極點圖中有一個零點和一個極點非常接近，說明可以去掉它們，從而減少模型的階數。接下來和 IDNLARX 一樣我們可以嘗試不同的模型參數，包括階數和輸入輸出的非線性函數。此處不在贅述，大家可以根據示例自由嘗試。

Conclusions 總結

我們探索了各種非線性模型來表達輸入電壓和輸出阻尼力之間的動態(tài)關系。結果表明，在非線性 ARX 模型中，Narx2{6} 和 Narx5 表現(xiàn)最好，而在 Hammerstein-Wiener 模型中，Nhw1 表現(xiàn)最好。非線性ARX模型最好的描述了 MR 阻尼器的動態(tài)特性 (擬合度最好)。

通過示例我們看到每種模型類型都有多個可用調項。例如對于非線性 ARX 模型，我們不僅可以指定模型的階數和非線性函數的類型，還可以修改和設置回歸量以及調整對應函數的屬性。對于 Hammerstein-Wiener 模型，我們可以選擇輸入輸出非線性函數的類型，以及線性傳函的階數。因此使用數據辨識模型可以在對模型結構或動力學缺乏明確原理的情況下，嘗試各種選項，并分析它們對結果模型質量的影響。當然這個示例本身是單輸入單輸出（SISO，Single Input Single Output）的系統(tǒng), 對于多輸入多輸出（MIMO, Multi-Input Multi-Output）的系統(tǒng)上述大部分模型也都支持。具體的MIMO也可以查看文檔中更多的示例[鏈接6]。

附言：

系統(tǒng)辨識還有很多內容文中示例沒有涉及，例如Grey-Box 模型估計，在線估計。附言中簡單介紹一下，也歡迎查閱相關詳細鏈接。

Grey-Box 模型

對于 Grey-Box 模型估計[鏈接7]，總體思想是說你已經有了系統(tǒng)的微分/差分方程（線性，非線性）、狀態(tài)空間方程等等，但方程的系數是未知的，可以使用數據進行方程系數的估計。這種估計的難點通產是構建這個含參數的線性或非線性的系統(tǒng)方程。可以參考示例：包括車輛模型、電機模型、飛行器模型等等。

在線估計

在線估計[鏈接8]顧名思義就是說在物理系統(tǒng)（被控對象）運行過程中，利用實時流數據不斷地對模型的參數和狀態(tài)進行估計。

針對在線參數估計，主要使用迭代算法，利用當前的實時測量數據和歷史的參數估計值來估計當前模型（文章前面提到的模型）的參數值，算法迭代效率比較高，也可以支持嵌入式。
針對在線狀態(tài)估計，主要包含幾種狀態(tài)估計器，Kalman Filter（線性系統(tǒng)），Extended Kalman Filter（可線性化的非線性系統(tǒng)），Unscented Kalman Filter（非線性系統(tǒng)）， Particle Filter （類似 UKF）等。

原文標題：數據驅動的動態(tài)系統(tǒng)（Dynamical System）建模(二)：系統(tǒng)辨識

文章出處：【微信公眾號：MATLAB】歡迎添加關注！文章轉載請注明出處。

審核編輯：湯梓紅

聲明：本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人，不代表電子發(fā)燒友網立場。文章及其配圖僅供工程師學習之用，如有內容侵權或者其他違規(guī)問題，請聯(lián)系本站處理。舉報投訴

數據驅動

數據驅動

+關注

關注
0

文章
129

瀏覽量
12386
系統(tǒng)辨識

系統(tǒng)辨識

+關注

關注
0

文章
11

瀏覽量
7289
動態(tài)系統(tǒng)

動態(tài)系統(tǒng)

+關注

關注
0

文章
4

瀏覽量
5254

原文標題：數據驅動的動態(tài)系統(tǒng)（Dynamical System）建模(二)：系統(tǒng)辨識

文章出處：【微信號：MATLAB，微信公眾號：MATLAB】歡迎添加關注！文章轉載請注明出處。

那曲檬骨新材料有限公司

搜索歷史

數據驅動的系統(tǒng)辨識研究

示例背景介紹和數據準備

幾種線性系統(tǒng)模型

Conclusions 總結

附言：

評論

智能車輛系統(tǒng)辨識與控制算法研究

求基于LabVIEW的系統(tǒng)辨識儀設計

基于Labview的氣動伺服系統(tǒng)辨識

閉環(huán)系統(tǒng)頻域測試及辨識

模糊系統(tǒng)辨識仿真程序

模糊系統(tǒng)辨識仿真程序

Google AI最新應用，成功辨識腫瘤突變影像

RM云臺黑箱系統(tǒng)辨識及建模精選資料分享

基于無線網絡的嵌入式溫度控制系統(tǒng)辨識的相關資料分享

伺服系統(tǒng)的離線慣量辨識方法介紹

什么是智能影像辨識系統(tǒng)？

非線性與多變量系統(tǒng)相關辨識

基于系統(tǒng)辨識的神經網絡魯棒性研究

混合動力汽車電池模型辨識及SOC估計方法研究

負載敏感泵參數辨識與計算方法研究