برآورد پارامتر در مدل های Simulink شامل تنظیم پارامترهای مدل برای مطابقت با داده های دنیای واقعی است. برآورد دقیق باعث بهبود وفاداری مدل و قابلیت های پیش بینی می شود. چندین روش عملی برای دستیابی به این هدف به طور موثر در دسترس هستند.

روش های بهینه سازی-based Methods

تکنیک های بهینه سازی به طور گسترده ای برای برآورد پارامتر مورد استفاده قرار می گیرند.این روش ها تفاوت بین خروجی های مدل و داده های تجربی را به حداقل می رسانند. الگوریتم های رایج شامل حداقل مربع، برنامه نویسی غیر خطی و الگوریتم های ژنتیکی هستند.

روش های Data-Driven Approachs

روش های داده محور از داده های اندازه گیری به طور مستقیم برای برآورد پارامترهای استفاده می کنند. تکنیک هایی مانند شناسایی سیستم و بازیابی حداقل مربع تجزیه و تحلیل داده های ورودی خروجی برای مقادیر پارامتری.این روش ها زمانی مفید هستند که داده های بزرگ در دسترس هستند.

نکات عملی برای برآورد موثر

  • [[۱] [۱۰] حدس و گمانه زنی: [[۱۰] [۱] [۱]] [۱] [۱] [۱] [۱] [۱]] نقطه شروع خوبی برای بهبود همگرایی فراهم می کند.
  • ] بوندهای متر: [ محدودیت های واقع بینانه برای جلوگیری از ارزش های غیر فیزیکی تعیین کنید.
  • کیفیت داده ها: از داده های دقیق و بدون سر و صدا برای نتایج بهتر استفاده کنید.
  • اعتبار: پارامترهای برآورد شده با مجموعه داده های جداگانه را تأیید کنید.