Можно непосредственно оценить следующие типы моделей непрерывного времени:
Также можно использовать d2c преобразование расчетной модели дискретного времени в модель непрерывного времени.
Можно оценить все линейные и нелинейные модели, поддерживаемые продуктом System Identification Toolbox™, как модели дискретного времени, за исключением моделей процессов, которые определяются только в непрерывном времени..
Модели непрерывного и дискретного времени можно оценить по данным временной области для линейных и нелинейных дифференциальных и разностных уравнений.
По данным временной области можно оценить дискретные модели Хаммерштейна-Винера и нелинейные модели ARX.
Можно также оценить нелинейные модели «серого ящика» по данным временной области. См. раздел Оценка нелинейных моделей «серый ящик».
Существует два типа данных в частотной области:
Данные частотной характеристики
Входные/выходные сигналы частотной области, которые являются преобразованиями Фурье соответствующих сигналов временной области.
Данные считаются непрерывными, если их время выборки (Tsявляется 0и считается дискретным временем, если время выборки ненулевое.
Можно непосредственно оценить следующие типы моделей непрерывного времени:
Передача моделей функций с использованием данных непрерывного или дискретного времени.
Модели процессов с использованием непрерывных или дискретных временных данных.
Полиномиальные модели «вход-выход» структуры «выход-ошибка» с использованием непрерывных временных данных.
Модели пространства состояний с использованием данных непрерывного или дискретного времени.
На основе данных частотной области с непрерывным временем можно оценивать только модели с непрерывным временем.
Также можно использовать d2c преобразование расчетной модели дискретного времени в модель непрерывного времени.
Можно оценить все типы линейных моделей, поддерживаемые изделием System Identification Toolbox, как модели дискретного времени, за исключением моделей процессов, которые определяются только в непрерывном времени. Для оценки дискретно-временных моделей необходимо использовать дискретно-временные данные.
Компонент шума модели не может быть оценен с использованием данных частотной области, за исключением моделей ARX. Таким образом, K-матрица идентифицированной модели состояния-пространства, шумовая составляющая, равна нулю. Идентифицированная полиномиальная модель имеет структуру «ошибка вывода» (OE) или ARX; BJ/ARMAX или другая полиномиальная структура с нетривиальными значениями многочленов C или D.
Для линейных серых моделей можно оценить как модели непрерывного времени, так и модели дискретного времени по данным частотной области. Шумовая составляющая модели, K-матрица, не может быть оценена с использованием данных частотной области; он остается фиксированным 0.
Нелинейные серые модели поддерживаются только для данных временной области.
Нелинейный черный ящик (нелинейные модели ARX и Hammerstein-Wiener) не может быть оценен с помощью данных частотной области.