（对于快速阅读器）
问题：我是对的，分析CHIRP的光谱分析方法对参数估计/模型识别不是那么有用）
[编辑]
我的系统是开环，1输入（方向盘角度）和2输出（y加速度和yaw_Rate）。为了找到车辆特性，我想为我的数据拟合线性传递函数（自行车模型）。 我目前的方法是'光谱分析方法'：使用测试数据来估算FRF，从而估算传递函数，因为：
$H = S_yu(w) / S_uu (w) --> H = Y(w)/U(w)$
对于虚拟数据（由啁啾方向盘角度激发的2个传递函数），这非常有效：重新调整模型的准确度为99.98％。对于真实的测试数据，真实的车辆。这远远不够正确。即使我将数据平均超过11次运行。因此我的困惑/问题。
[将在今晚上传测试数据的图像以供澄清]
背景
我正在开展一个项目，我必须对汽车进行参数识别。
在基于模拟器的补偿跟踪实验中，我会用多正弦信号激发“系统”（读取人类）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;以及只评估激发的频率。）
然而，对于一个人类驾驶员而言，这可能在车上有点困难。提供正弦扫描（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帧内被激发，并且Foerier变换在整个采样时间内呈现谐波振荡。 我检查了一些书（系统识别：频域方法，系统识别：介绍和），但似乎无法掌握如何使用CHIRP信号来估计频率响应函数（因此也转移功能）。
答案 0 :(得分：1)
这取决于你想做什么。是的，与啁啾相比，多重信号可以具有有利的特性。
您询问啁啾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，因此我不对时域进行评论。
如果您阅读了Pintelon / Schoukens的“系统识别：频域方法”一书（尝试从2012年开始获得第二版），您会发现（参见第2章）作者偏爱非周期信号的周期信号（像唧唧喳喳）（并且它们有充分的理由，因为周期性信号避免了诸如泄漏之类的重大错误。）
但是，如果您的系统无法被周期性信号（无论出于何种原因）激发，则啁啾信号可能是一个很好的激励信号。在航空领域，甚至还教导测试飞行员执行良好的啁啾信号。对于啁啾，您的数据处理可能会有所不同（请参阅Pintelon / Schoukens书中的第7章）。
最后，只有一件事能产生良好的激励信号 - 即它提供了所需的估计结果。如果唧唧声适用于您的应用：与他们一起去吧！
不幸的是，我认为这个输入信号与直接频域分析不兼容，因为每个频率只在特定的时间范围内被激发，而Foerier变换在整个采样时间内都采用谐波振荡。
我不明白你对这段你的意思。你能更详细地描述一下你的问题吗？
P.S。：你没有写太多关于你的系统。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？你能重复一次实验吗？在决定激发时，应牢记每个受试者。