Можно непосредственно оценить следующие типы моделей в непрерывном времени:
Вы также можете использовать d2c для преобразования предполагаемой модели в дискретном времени в модель в непрерывном времени.
Можно оценить все линейные и нелинейные модели, поддерживаемые продуктом System Identification Toolbox™ как модели дискретного времени, кроме моделей процесса, которые заданы только в непрерывном времени..
Можно оценить как модели непрерывного времени, так и модели дискретного времени из данных временной области для линейных и нелинейных дифференциальных и разностных уравнений.
Можно оценить модели Hammerstein-Wiener и нелинейные ARX в дискретном времени из данных временной области.
Можно также оценить нелинейные модели серого ящика из данных временной области. См. Оценка нелинейных Серых ящиков Моделей.
Существует два типа данных частотного диапазона:
Данные частотной характеристики
Входные/выходные сигналы частотного диапазона, которые являются Преобразованиями Фурье соответствующих сигналов временного интервала.
Данные считаются непрерывными, если их шаг расчета (Ts) 0, и рассматривается как дискретное время, если шаг расчета ненулевое.
Можно оценить следующие типы моделей в непрерывном времени непосредственно:
Модели передаточной функции с использованием данных непрерывного или дискретного времени.
Обрабатывайте модели с использованием данных непрерывного или дискретного времени.
Входно-выходные полиномы модели структуры вывод-ошибка с использованием непрерывных временных данных.
Модели в пространстве состояний с использованием данных непрерывного или дискретного времени.
Из данных частотного частотного диапазона в непрерывном времени можно только оценить модели в непрерывном времени.
Вы также можете использовать d2c для преобразования предполагаемой модели в дискретном времени в модель в непрерывном времени.
Можно оценить все линейные типы модели, поддерживаемые продуктом System Identification Toolbox, как модели в дискретном времени, кроме моделей процесса, которые заданы только в непрерывном времени. Для оценки моделей в дискретном времени необходимо использовать данные в дискретном времени.
Шумовой компонент модели не может быть оценена с помощью данных частотного диапазона, кроме моделей ARX. Таким образом, K матрица идентифицированной модели пространства состояний, шумового компонента, равна нулю. Идентифицированная полиномиальная модель имеет структуру output-error (OE) или ARX; BJ/ARMAX или другая полиномиальная структура с нетривиальными значениями C или D полиномов не может быть оценена.
Для линейных моделей серого ящика можно оценить как модели непрерывного времени, так и модели дискретного времени из данных частотного диапазона. Шумовой компонент модели, матрица K, не может быть оценена с помощью данных частотного диапазона; он остается фиксированным на 0.
Нелинейные модели серого ящика поддерживаются только для данных временной области.
Нелинейный черный ящик (нелинейные модели ARX и Гаммерштейна-Винера) не может быть оценен с помощью данных частотного диапазона.
