Можно непосредственно оценить следующие типы непрерывно-разовых моделей:
Можно также использовать d2c, чтобы преобразовать предполагаемую модель дискретного времени в непрерывно-разовую модель.
Можно оценить все линейные и нелинейные модели, поддержанные продуктом System Identification Toolbox™ как модели дискретного времени, кроме моделей процессов, которые заданы только в непрерывно-разовом..
Можно оценить и модели непрерывно-разового и дискретного времени от данных временного интервала для линейных и нелинейных дифференциальных и разностных уравнений.
Можно оценить дискретное время Хаммерстайн-Винер и нелинейные модели ARX от данных временного интервала.
Можно также оценить нелинейные модели серого поля от данных временного интервала. Смотрите Оценку Нелинейные Модели Серого Поля.
Существует два типа данных частотного диапазона:
Данные о частотной характеристике
Сигналы ввода/вывода частотного диапазона, которые являются преобразованиями Фурье соответствующих сигналов области времени.
Данные рассматриваются непрерывно-разовыми, если его шаг расчета (Ts) является 0 и рассматривается дискретным временем, если шаг расчета является ненулевым.
Можно оценить следующие типы непрерывно-разовых моделей непосредственно:
Модели передаточной функции, использующие непрерывный - или данные дискретного времени.
Модели процессов, использующие непрерывный - или данные дискретного времени.
Модели полинома ввода - вывода структуры ошибки на выходе с помощью непрерывных данных времени.
Модели в пространстве состояний, использующие непрерывный - или данные дискретного времени.
От непрерывно-разовых данных частотного диапазона можно только оценить непрерывно-разовые модели.
Можно также использовать d2c, чтобы преобразовать предполагаемую модель дискретного времени в непрерывно-разовую модель.
Можно оценить все линейные типы модели, поддержанные продуктом System Identification Toolbox как модели дискретного времени, кроме моделей процессов, которые заданы в непрерывно-разовом только. Для оценки моделей дискретного времени необходимо использовать данные дискретного времени.
Шумовой компонент модели не может быть оценен с помощью данных о частотном диапазоне, за исключением моделей ARX. Таким образом матрица K идентифицированной модели в пространстве состояний, шумового компонента, является нулем. Идентифицированная полиномиальная модель имеет структура ARX или ошибка на выходе (OE); BJ/ARMAX или другая полиномиальная структура с нетривиальными значениями C или полиномов D не могут быть оценены.
Для линейных моделей серого поля можно оценить и модели непрерывно-разового и дискретного времени от данных частотного диапазона. Шумовой компонент модели, матрицы K, не может быть оценен с помощью данных о частотном диапазоне; это остается фиксированным к 0.
Нелинейные модели серого поля поддерживаются только для данных временного интервала.
Нелинейный черный квадрат (нелинейный ARX и модели Хаммерстайна-Винера) не может быть оценен с помощью данных о частотном диапазоне.