处理数据的偏移和趋势

扭转从定期采样时域输入输出数据信号中删除手段，偏移或线性趋势。该数据处理操作可帮助您估计更准确的线性模型，因为线性模型无法捕获输入和输出信号电平之间的任意差异。您从受伤数据估计的线性模型描述了输入信号的变化与输出信号的变化之间的关系。

对于稳态数据，您应该从输入和输出信号中删除平均值和线性趋势。

对于瞬态数据，您应该删除在激励输入信号之前测量的物理平衡偏移。

当实验期间漂移时，去除一个线性趋势或多种分段线性趋势。信号漂移被认为是低频干扰，可以导致不稳定的模型。

您希望在模型估计之前不应拒绝数据：

捕获偏移的线性模型，用于描述重要的系统动态。例如，当模型包含集成行为时，您可以估计从非调整数据的低位传输函数（进程模型）。有关更多信息，请参阅流程模型。
非线性黑匣子型号，如非线性ARX或Hammerstein-Wiener模型。有关更多信息，请参阅非线性模型识别。

小费

当信号随着大信号电平而变化时，您可以通过拒绝信号装置来提高非线性模型的计算精度。
非线性ode参数（非线性灰盒式模型）。有关更多信息，请参阅估计非线性灰度箱型号。

要在系统操作条件下模拟或预测线性模型响应，可以使用使用的模拟或预测模型输出恢复删除的趋势隆隆命令。

有关处理数据漂移的更多信息，请参阅预处理数据的章节系统识别：用户理论，第二版，由Lennart Ljung，Prentice Hall Ptr，1999年。

您可以使用系统标识应用程序和命令行使用的数据来拒绝数据诽谤命令。

应用程序和命令行都让您从稳态时域信号中减去平均值和一个线性趋势。

然而诽谤命令提供以下附加功能（应用程序中不可用）：

作为事先拒绝数据的替代方案，您可以将偏移量指定为估计选项，并直接使用估计命令。

例如，假设您的数据具有输入偏移量，U0.和输出偏移量，y0.。使用此数据有两种方法可以执行线性模型估计（例如，传输函数模型估计）：

使用诽谤：

t = getTrend（数据）T.InputOffset = U0;t.outputoffset = y0;datad = defrend（数据，t）;模型= TFEST（DATAD，NP）;

将抵消指定为估算选项：
```
opt = tfestoptions（'inputoffset'，u0，'outcaloffset'，y0）;模型= TFEST（数据，NP，OPT）
```
这种方法的优点是模型中存在偏移水平的记录model.report.Optionsed.。这种方法的限制是它无法处理线性趋势，只能通过使用从数据中删除诽谤。

拒绝数据后，您可能会执行以下操作：

系统识别工具箱文档