如何评估系统识别的 sine-sweep（线性调频）信号
How to evaluate sine-sweep (chirp) signal for system Identification
（为了快速 reader）
问题：我说的对吗，频谱分析方法分析CHIRP对参数估计/模型识别不是很有帮助)
[编辑]
我的系统是 open-loop，1 个输入（方向盘角度）和 2 个输出（y-acceleration 和 yaw_Rate）。为了找到车辆特性，我想将线性传递函数拟合到我的数据（自行车模型）。
我目前的方法是 'Spectral analysis method'：使用测试数据来估计 FRF，从而估计传递函数，因为：
对于虚拟数据（由 chirp 方向盘角度激发的 2 个传递函数），这非常有效：改装模型的准确率为 99.98%。对于真实的测试数据，真实的车辆。这是完全不正确的。即使我对 11 次运行的数据进行平均。因此我的 confusion/question.
[今晚将上传测试数据的图片以供澄清]
背景
我正在做一个项目，我必须执行汽车的参数识别。
在基于模拟器的补偿跟踪实验中，我会用 multi-sine 信号激发 'system'（阅读人类）并使用工具变量方法（和函数拟合）来执行系统识别（傅里叶变换输入和输出；并且仅评估激发频率）。
然而，对于人类来说 driver 这在汽车中可能有点困难。提供 sine-sweep（或 CHIRP）更容易。
不幸的是，我认为这个输入信号与直接频域分析不兼容，因为每个频率仅在特定时间范围内被激发，而福尔里尔变换在整个 sample-time 期间假设谐波振荡。
我查过一些书（System Identification:A Frequency Domain Approach, System identification : an introduction and ）但似乎无法掌握如何使用 CHIRP 信号来估计频率响应函数（因此也传递函数）。
简答（为了快速reader）：
这取决于你想做什么。是的，与线性调频信号相比，多正弦信号具有良好的特性。
答案有点长：
你问的是线性调频信号及其对系统识别/参数估计的适用性。因此，我假设您专注于频域识别，因此我不评论时域。
如果您阅读 Pintelon/Schoukens 的书 "System Identification:A Frequency Domain Approach"（尝试获取 2012 年的第二版），您会发现（参见第 2 章）作者更喜欢周期性信号而不是非周期性信号（像唧唧声）（他们这样做是有充分理由的，因为周期性信号避免了像泄漏这样的重大错误）。
然而，如果您的系统不能被周期性信号激发（无论出于何种原因），线性调频信号可能是一个很好的激发信号。在航空界，试飞员甚至被教导要执行良好的线性调频信号。对于 chirps，您的数据处理可能有所不同（请参阅 Pintelon/Schoukens 书中的第 7 章）。
最后只有一件事可以产生良好的激励信号 - 即它给出了所需的估计结果。如果 chirps 适合您的应用程序：与他们一起去吧！
Unfortunately I think this input signal is not compatible with direct frequency domain analysis, because each frequency is only excited during a specific timeframe and the Foerier transform assumes a harmonic oscilation during the entire sample-time.
我不明白你这段话的意思。你能更详细地描述你的问题吗？
P.S.: 你没有写太多关于你的系统的内容。它是静态的还是动态的？线性/非线性？开环还是闭环？ SISO/MIMO？您是否仅限于频域 ID？你能重复实验吗？当您决定激发时，应牢记每个主题。
（为了快速 reader）
问题：我说的对吗，频谱分析方法分析CHIRP对参数估计/模型识别不是很有帮助)
[编辑]
我的系统是 open-loop，1 个输入（方向盘角度）和 2 个输出（y-acceleration 和 yaw_Rate）。为了找到车辆特性，我想将线性传递函数拟合到我的数据（自行车模型）。 我目前的方法是 'Spectral analysis method'：使用测试数据来估计 FRF，从而估计传递函数，因为：
对于虚拟数据（由 chirp 方向盘角度激发的 2 个传递函数），这非常有效：改装模型的准确率为 99.98%。对于真实的测试数据，真实的车辆。这是完全不正确的。即使我对 11 次运行的数据进行平均。因此我的 confusion/question.
[今晚将上传测试数据的图片以供澄清]
背景
我正在做一个项目，我必须执行汽车的参数识别。
在基于模拟器的补偿跟踪实验中，我会用 multi-sine 信号激发 'system'（阅读人类）并使用工具变量方法（和函数拟合）来执行系统识别（傅里叶变换输入和输出；并且仅评估激发频率）。
然而，对于人类来说 driver 这在汽车中可能有点困难。提供 sine-sweep（或 CHIRP）更容易。
不幸的是，我认为这个输入信号与直接频域分析不兼容，因为每个频率仅在特定时间范围内被激发，而福尔里尔变换在整个 sample-time 期间假设谐波振荡。 我查过一些书（System Identification:A Frequency Domain Approach, System identification : an introduction and ）但似乎无法掌握如何使用 CHIRP 信号来估计频率响应函数（因此也传递函数）。
简答（为了快速reader）：
这取决于你想做什么。是的，与线性调频信号相比，多正弦信号具有良好的特性。
答案有点长：
你问的是线性调频信号及其对系统识别/参数估计的适用性。因此，我假设您专注于频域识别，因此我不评论时域。
如果您阅读 Pintelon/Schoukens 的书 "System Identification:A Frequency Domain Approach"（尝试获取 2012 年的第二版），您会发现（参见第 2 章）作者更喜欢周期性信号而不是非周期性信号（像唧唧声）（他们这样做是有充分理由的，因为周期性信号避免了像泄漏这样的重大错误）。
然而，如果您的系统不能被周期性信号激发（无论出于何种原因），线性调频信号可能是一个很好的激发信号。在航空界，试飞员甚至被教导要执行良好的线性调频信号。对于 chirps，您的数据处理可能有所不同（请参阅 Pintelon/Schoukens 书中的第 7 章）。
最后只有一件事可以产生良好的激励信号 - 即它给出了所需的估计结果。如果 chirps 适合您的应用程序：与他们一起去吧！
Unfortunately I think this input signal is not compatible with direct frequency domain analysis, because each frequency is only excited during a specific timeframe and the Foerier transform assumes a harmonic oscilation during the entire sample-time.
我不明白你这段话的意思。你能更详细地描述你的问题吗？
P.S.: 你没有写太多关于你的系统的内容。它是静态的还是动态的？线性/非线性？开环还是闭环？ SISO/MIMO？您是否仅限于频域 ID？你能重复实验吗？当您决定激发时，应牢记每个主题。