1. 课程导入与系统辨识概览
在控制、信号处理、电力电子、机器人、化工过程等领域，我们经常面对一个已经存在、正在运行的真实系统，却拿不到它精确的物理模型。系统辨识（System Identification）要解决的正是这个问题：利用系统在实验或运行中产生的输入—输出数据，结合先验知识与候选模型结构，估计出一个能够解释数据、并可用于预测、控制或监测的数学模型。它既不是纯粹的物理建模，也不是单纯的曲线拟合，而是"数据 + 结构 + 准则 + 算法"四者协同的建模方法。
理解系统辨识，先要区分三个容易混淆的概念。物理建模从质量、能量、电路定律出发推导微分方程，参数具有明确物理意义，但复杂对象往往难以精确写出方程；黑箱辨识只依赖数据，模型参数通常没有直接物理含义，却能很好地复现输入输出关系；灰箱辨识介于两者之间，用物理知识确定模型结构，用数据估计未知参数。MATLAB 的 System Identification Toolbox 对这三类任务都提供支持，本课程的主线是"以数据为核心、以结构为约束、以验证为闭环"。
系统辨识的典型任务与流程
一个完整的辨识任务通常包含以下环节，它们并非严格线性，而是反复迭代的：
- 明确目标：模型用于什么？是设计 PID 控制器、做前馈补偿、还是故障检测？目标决定了所需模型的精度、频段和结构复杂度。
- 实验设计：选择激励信号（阶跃、伪随机二进制序列 PRBS、扫频 chirp）、采样周期、实验时长与幅值范围，保证激励覆盖关心的频段且不使系统进入非线性区。
- 数据预处理：去趋势、去均值、剔除异常段、重采样、滤波，必要时分离训练集与验证集。
- 模型结构选择：ARX、ARMAX、OE、BJ、状态空间、传递函数、非线性 Hammerstein–Wiener 等。
- 参数估计：最小二乘、极大似然、预测误差法、子空间法、递推算法等。
- 模型验证：残差白性检验、拟合度 FIT、最终预测误差、与验证数据的交叉比对。
- 模型应用与迭代：投入控制或预测，若性能不足则回到结构或实验设计环节。
下面这张图把上述流程与 MATLAB 工具链对应起来，帮助建立"任务—工具—判据"的整体印象。
从"数据"到"模型"的关键判断
初学者最容易忽略的是：辨识结果的好坏，往往在实验设计阶段就已经决定。若激励信号能量集中在低频，却要用模型描述高频谐振，任何算法都无法弥补。因此，采样周期应满足 Ts 至少比系统最快时间常数小 5～10 倍；PRBS 的时钟周期要覆盖关心的频带；数据长度要保证待估参数有足够的信噪比。以典型的一阶惯性对象 G(s)=K/(Ts+1) 为例，若 K≈2、T≈0.5 s，采样周期取 Ts=0.05 s，采集 2000 点（约 100 s），用 PRBS 幅值 ±1 激励，通常能得到拟合度 90% 以上的 ARX 模型。
模型验证不能只看训练数据上的拟合曲线。应把数据分成估计集与验证集，用 compare 查看 FIT 百分比，用 resid 检查残差是否接近白噪声、是否与输入互相关。若残差存在明显自相关，说明模型阶次不足或结构不合适；若残差与输入相关，说明还有未被模型捕获的动态。只有通过验证的模型，才值得投入控制器设计。
iddata 与 detrend 的数据组织方式，再依次练习 arx、armax、oe、bj 四种参数模型，随后进入 n4sid/ssest 状态空间辨识，最后用 compare、resid、predict 完成验证与预测。整个课程将围绕这条主线，逐步加入非线性、递推与闭环辨识等进阶内容。
需要强调的是，系统辨识不是"一次跑通"的算法，而是一个"设计—估计—验证—修正"的闭环。MATLAB 提供的 App 与命令行函数只是工具，真正决定模型质量的是对系统物理特性的理解、对激励与采样条件的把握，以及对验证结果的正确判读。本章建立的这张流程与工具链地图，将作为后续每一章定位自身任务的参照。