系统辨识工具箱
什么时候使用系统辨识，当系统传递函数不确定(在多大程度上不确定？)时，通过对输入输出数据采集，通过数学迭代找到控制对象的近似模型。在找到近似模型(传递函数)后，就可以使用线性化调参工具对系统控制参数进行整定，进行控制系统设计。
调用命令：systemIdentification
一般过程：
将数据数组从matlab工作区导入程序；
绘制数据；
数据归一化；
估计、验证、 线性模型；
模型导出到工作区
1输入输出数据的导入和处理
数据导入过程中，采样时间设置为真实系统的仿真时间
在more中的次级菜单可设置导入信号的名称和单位，如果是多路信号，这一步就很重要了。
数据处理操作，可在process菜单中选择quick start选项，即可生成归一化后的输入和输出数据，并且划定了训练集和验证集。
2进行模型估计。同样可以使用quick start操作生成阶跃响应图imp、频率响应图spad、状态空间n4s3和多项式模型arxqs的输出，然后可以在模型输出modeloutput窗口窗口对比验证效果。
未生成spad模型的适应度值。
右键可查看模型相关信息。
除此之外，还可以使用基于其他算法的计算模型。
多项式方程。
编辑Orders字段以尝试极点、零点和延迟的所有组合，其中每个值都从 1 到 10：
点击estimate，
该窗口有3个突出显示部分：
图中以绿色、蓝色和红色突出显示了三个矩形。每种颜色表示一种最佳拟合标准，如下所示：
红色——最佳拟合最小化验证数据输出和模型输出之间的差异的平方和。此矩形表示整体最佳拟合。
绿色 – 最佳拟合最小化了 Rissanen MDL 标准。
蓝色 — 最佳拟合最小化 Akaike AIC 标准。
基于MDL和AIC的标准补偿了因使用过多参数而导致的过拟合问题。
选择绿色图块对应的参数，insert，适应度为arx342所示。
对于estimate中的识别顺序其实是很关键的，因为实际中许多要辨识的系统特征（零极点分布状况）是未知的，所以不能一开始就选择传递函数模型进行辨识。
在使用利用多项式辨识过程中，得到了三种评估标准下的模型零极点个数，为后续其他数据模型辨识提供了基础。在上述ARX模型中，最终最佳拟合的模型分布为极点个数为3，零点为4，延迟为2。
下面就基于上述零极点分布情况对传递函数进行估计。
根据上上面估计后得到的零极点个数可以预设传递函数极点状况（3 4 2），不过零点个数保留系统默认值1，延迟环节换算公式为（样本延迟nk=2）转换为连续时间延迟为（nk-1）*Ts
拟合度如图，这比直接进行传递函数估计要来的准确。
下面使用状态空间模型估计，同样是基于多项式估计的基础，全体最佳拟合度极零点分布（3 4 2），估计时仅需给定阶数（极点个数）即可。
Focus设置为模拟输出。当然，这个选项也可以在拟合度窗口进行统一设置。
还可以使用ARMAX模型进行系统模拟，它比ARX更灵活，其结构中包含一个额外的多项式来模拟附加性扰动。
设置结构列表。
前述使用ARX估计最佳拟合极零点分布为3 4 2，可以从这些数目组合开始，最后再加上一列。
从2 2 2 2开始。
3 3 3 3
3 3 3 2
这已经十分接近ARX模型了。
辨识得到的模型可导入到工作区，进行下一步工作。选取适应度最佳的模型导出到工作区中。
然后可以使用模型转换工具得到相应传递函数
反向验证：将识别得到的传递函数添加到simulink中，输入数据为识别过程中的原始输入数据，比较实际输出和原输出数据。
首先制作输入数据，在simulink中的输入数据需要是实数、整型、浮点数，且第一列为时间数据，因此结合原数据采样时间为0.08s，可得制作数据时间间隔为0.08s，数据量为1000，因此时间为0-0.08*1000s
验证模型
待验证传递函数：
测试输出
均方根误差：
文章出处登录后可见！
