Можно непосредственно оценить следующие типы моделей непрерывного времени:
Можно также использовать d2c преобразовывать предполагаемую модель дискретного времени в модель непрерывного времени.
Можно оценить все линейные и нелинейные модели, поддержанные продуктом System Identification Toolbox™ как модели дискретного времени, кроме моделей процессов, которые заданы только в непрерывное время..
Можно оценить оба моделей непрерывного и дискретного времени из данных временного интервала для линейных и нелинейных дифференциальных и разностных уравнений.
Можно оценить дискретное время Хаммерстайн-Винер и нелинейные модели ARX из данных временного интервала.
Можно также оценить нелинейные модели серого ящика из данных временного интервала. Смотрите Оценку Нелинейные Модели Серого ящика.
Существует два типа данных частотной области:
Данные о частотной характеристике
Сигналы ввода/вывода частотного диапазона, которые являются преобразованиями Фурье соответствующих сигналов области времени.
Данные рассматриваются непрерывным временем если его шаг расчета (Ts) 0, и рассматривается дискретным временем, если шаг расчета является ненулевым.
Можно оценить следующие типы моделей непрерывного времени непосредственно:
Модели передаточной функции, использующие непрерывный - или данные дискретного времени.
Модели процессов, использующие непрерывный - или данные дискретного времени.
Полиномиальные модели ввода - вывода структуры ошибки на выходе с помощью непрерывных данных времени.
Модели в пространстве состояний, использующие непрерывный - или данные дискретного времени.
От данных частотной области непрерывного времени можно только оценить модели непрерывного времени.
Можно также использовать d2c преобразовывать предполагаемую модель дискретного времени в модель непрерывного времени.
Можно оценить все линейные типы модели, поддержанные продуктом System Identification Toolbox как модели дискретного времени, кроме моделей процессов, которые заданы в непрерывное время только. Для оценки моделей дискретного времени необходимо использовать данные дискретного времени.
Шумовой компонент модели не может быть оценен с помощью данных частотной области, 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 ящика можно оценить оба моделей непрерывного и дискретного времени от данных частотной области. Шумовой компонент модели, матрицы K, не может быть оценен с помощью данных частотной области; это остается фиксированным к 0.
Нелинейные модели серого ящика поддерживаются только для данных временного интервала.
Нелинейный черный квадрат (нелинейный ARX и модели Хаммерстайна-Винера) не может быть оценен с помощью данных частотной области.