主要内容
线性模型识别
识别脉冲响应、频率响应和参数模型，如状态空间和传递函数模型
当线性模型足以完全捕获系统动态时，请使用线性模型识别。你可以在系统识别应用程序或命令行。系统识别工具箱™使您能够创建和估计四种一般类型的线性模型。
参数模型-估计结构中的参数，如传递函数模型、状态空间模型、多项式模型和过程模型。
频率响应模型-使用频谱分析估计频谱模型。
相关模型-使用相关分析对脉冲响应模型进行非参数估计。
线性灰箱模型-估计任意常微分方程或差分方程的系数，结合从先验知识中获得的系统信息或从物理原理中推断的系统信息。
线性模型辨识需要频域或均匀采样的时域数据。您的数据可以有一个或多个输入和输出通道。有关详细信息，请参阅关于已识别线性模型. 您还可以使用参数化模型结构（如AR和ARMA）对时间序列数据进行建模，该数据包含单个输出通道而没有输入通道。
您可以在命令行、应用程序或Simulink中使用已识别的模型来模拟和预测模型输出万博1manbetx®.
- 线性模型辨识基础
用于识别线性模型、选择合适的模型结构、构造和修改模型对象结构以及使用正则化估计的基本信息 - 过程模型
具有静态增益、时间常数和输入/输出延迟的低阶传递函数模型 - 投入产出多项式模型
输入输出多项式模型，包括ARX、ARMAX、输出误差和Box-Jenkins模型结构 - 状态空间模型
具有自由、规范和结构化参数化的状态空间模型；等效ARMAX和输出误差（OE）模型 - 传递函数模型
传递函数模型 - 线性灰箱模型
线性微分、差分和状态空间方程的估计系数 - 频率响应模型
利用频谱分析得到的频率响应模型 - 相关模型
利用相关分析得到的脉冲响应模型
特色实例
您还可以从以下列表中选择网站：
