“模型”-初始状态由艾德格雷模型。ODE文件必须返回6个或更多输出参数。

“零”-初始状态设置为零。ODE文件返回的任何值都将被忽略。

“估计”-初始状态作为一个独立的估计参数。

“展望”-初始状态估计使用最佳最小二乘拟合。

“汽车”-软件根据估计数据选择处理初始状态的方法。

双精度向量——指定长度的列向量Nx哪里Nx是状态数。对于多实验数据，指定一个矩阵氖列，其中氖是实验的次数。在估算过程中，指定值被视为固定值。

“模型”- - - - - -K属性使用的ODE文件对值进行参数化艾德格雷模型。ODE文件必须返回5个或更多的输出参数。

“固定”—取值K财产艾德格雷模型固定于其原始值。

“没有”- - - - - -K固定为零。ODE文件返回的任何值都会被忽略。

“估计”- - - - - -K被视为一个独立的估计参数。

“汽车”-软件选择在估计过程中如何处理干扰分量的方法。该软件使用“模型”方法，如果ODE文件返回5个或更多输出参数，其有限值为K．否则，软件使用“固定”方法

“预测”-在估计过程中，测量和预测输出之间的一步超前预测误差被最小化。因此，估计的重点是产生一个好的预测模型。

“模拟”-在估计过程中，测量和模拟输出之间的模拟误差最小化。因此，估计的重点是使模型响应与电流输入的模拟很好地吻合。

[]-未使用加权预过滤器。

通带-指定包含定义所需通带的频率值的行向量或矩阵。您可以选择估计模型和估计数据之间的拟合得到优化的频带。例如，[wl，wh]哪里wl和wh表示通频带的上下限。对于有几行定义频带的矩阵，[w1l，w1h；w2l，w2h；w3l，w3h；…]，估计算法使用频率范围的并集来定义估计通带。

通带以单位表示无线电/时间单位对于时域数据和在FrequencyUnit对于频域数据，其中时间单位和FrequencyUnit为估计数据的时间和频率单位。

SISO滤波器—通过以下方式指定单输入单输出(single input-single-output, SISO)线性滤波器:

权重向量-仅适用于频域数据。指定权重的列向量。此向量必须与数据集的频率向量具有相同的长度，数据、频率.数据中的每个输入和输出响应乘以该频率下的相应权重。

“上”-有关模型结构和估计结果的信息显示在进度查看器窗口中。

“关”—系统未显示进度和结果信息。

长度为正整数的列向量怒族哪里怒族是输入的数量。

[]-表示没有偏移。

怒族-借-氖矩阵-对于多个实验数据，指定InputOffset作为怒族-借-氖矩阵怒族是输入的数量，以及氖为实验的次数。

一个长度的列向量纽约哪里纽约为输出数。

[]-表示没有偏移。

纽约-借-氖矩阵-对于多个实验数据，指定输出偏移作为一个纽约-借-氖矩阵纽约是输出的数量，以及氖为实验的次数。

“噪音”-最小化 $$\mathrm{依据}（E＇＊E/N）$$哪里E表示预测误差和N是数据样本数。此选择在统计意义上是最优的，如果噪声方差未知，则会导致最大似然估计。它使用估计噪声方差的倒数作为加权函数。

半正定对称矩阵(W)-最小化加权预测误差矩阵的轨迹跟踪(E”* E * W / N)地点:

[]-软件选择“噪音”或者用单位矩阵W．

λ-决定偏差与方差权衡的常数。

指定正标量以将正则化项添加到估算成本。

默认值0表示不进行正则化。

默认值:0

R-加权矩阵。

指定一个非负数向量或方正半定矩阵。长度必须等于模型的自由参数个数。

对于黑匣子型号，建议使用默认值。对于结构化模型和灰盒模型，还可以指定向量NP正数，以便每个条目表示相关参数值的置信度。

默认值1表示值为眼睛(npfree)哪里npfree为自由参数的个数。

默认值:1

名义上的-在估计过程中自由参数被拉向的标称值。

默认值为零表示参数值被拉向零。如果要优化模型，可以将值设置为“模型”将参数拉向初始模型的参数值。初始参数值必须是有限的，这样设置才能生效。

默认值:0

“汽车”-线搜索算法的组合，“gn”，“lm”，“gna”,“格拉德”方法在每次迭代中依次尝试。第一个下降方向可以减少估计成本。

“gn”-子空间高斯-牛顿最小二乘搜索。奇异值的雅可比矩阵小于GnPinvConstant * eps *马克斯(大小(J)) *规范(J)在计算搜索方向时丢弃。J是雅可比矩阵。Hessian矩阵近似为J^TJ。如果此方向没有改进，则函数将尝试渐变方向。

“gna”-自适应子空间高斯-牛顿搜索。特征值小于γ*马克斯(sv)被忽略的黑森人，在哪里sv包含Hessian的奇异值。在剩余的子空间中计算高斯-牛顿方向。伽马射线具有初始值初始公差（见先进的在“搜索选项”的更多信息)。这个值按该因子增加LMStep每次搜索都不能在少于五次的等分中找到较低的判据值。这个值被该因子降低2*LMStep每次搜索成功时，没有任何对分。

“lm”-Levenberg-Marquardt最小二乘搜索，其中下一个参数值为-pinv（H+d*I）*梯度从上一个。H海赛,我是单位矩阵，和毕业生是梯度。d是一个不断增加的数字，直到找到标准的较低值为止。

“格拉德”-最速下降最小二乘搜索。

“lsqnonlin”-一种基于信赖域的反射算法解非线性最小二乘问题（优化工具箱）．需要优化工具箱™软件。

“fmincon”-约束非线性解算器。您可以使用序列二次规划（SQP）和铁铬镍铁合金（优化工具箱）如果您有优化工具箱软件，还可以使用铁铬镍铁合金解算器。在中指定算法搜索选项。算法选项这个铁铬镍铁合金在以下情况下，算法可能会改善估计结果：

ErrorThreshold-指定何时将大错误的权重从二次调整为线性。

误差大于ErrorThreshold乘以估计的标准偏差在损失函数中具有线性权重。标准偏差可靠地估计为预测误差中位数的绝对偏差的中位数除以0.7. 有关稳健范数选择的更多信息，请参见第15.2节［2］．

ErrorThreshold = 0禁用稳健化并导致一个纯粹的二次损失函数。当用频域数据进行估计时，软件设置ErrorThreshold设置为零。对于包含异常值的时域数据，请尝试设置ErrorThreshold到1．6．

默认值:0

最大尺寸-指定将输入输出数据拆分为段时，段中元素的最大数目。

最大尺寸必须是正整数。

默认值:250000

StabilityThreshold-指定稳定性测试的阈值。

StabilityThreshold是具有以下字段的结构：

自动初始化阈值-指定何时自动估计初始状态。

初始状态估计为

适用时初始状态是“汽车”．

默认值:１．０５