در این نوشتار ، در فصل اول کلیاتی در مورد شناسایی سیستم ها و آشنایی با سیستم موردنظر بیان خواهد شد. در فصل دوم انواع روشهای شناساییِ مدلهایِ خطی و غیرخطیِ متداول ، مرور خواهد شد و نتایج حاصل از به کارگیریِ این مدلها بر روی داده های سیستم موردنظرآورده خواهد شد. در فصل سوم از این نوشتار به معرفیِ ساختار pci پرداخته خواهد شد. یک کاربرد برای مدل هایی با ساختار pci زمانی مطرح می شود که یک ساختار مدلِ خاص یا روش شناسایی به کار گرفته شده در آن جهت تخمین پارامترهای مدل ، نتوانند به تنهایی دینامیک های سیستم مورد نظر را مدل کنند. در این حالت با تعمیم آن مدل به ساختار pci نتایج شناسایی تا حد قابل قبولی بهبود خواهند یافت . در این فصل دو مورد از این حالت ها درنظر گرفته خواهند شد . در مورد اول یک مدل وینر مدنظر است که از روش پیشنهادی کورنبرگ در تخمین بخش های خطی و غیرخطی آن استفاده می شود.کورنبرگ این روش را جهت طبقه بندی پروتئین ها در زمینه علوم بیوالکتریکی و در حالت siso مطرح کرده است. روش فوق در ابتدا با ایده ای بسیار ساده به شکل miso در نظر گرفته خواهد شد و سپس بر داده های مورد نظر به کار گرفته خواهند شد . همانگونه که انتظار داریم این مدل با روش شناساییِ مطرح شده ، قابلیت شناساییِ سیستم دینامیکی موردنظر ما را ندارد . در ادامه با تعمیم آن به ساختار pci نشان داده خواهد شد که نتایج تا حد قابل قبولی بهبود خواهند یافت. در مورد دوم ، شناساییِ یک مدل هامرشتین به صورت mimo موردنظر است که از توابع اورتونرمال جهت نمایش بخش های خطی و غیرخطی استفاده می شود. این روش شدیداً به مرتبه مدل انتخاب شده و قطب های توابع اورتونرمال که تحت عنوان اطلاعات اولیه سیستم معلوم فرض می شوند ، بسیار حساس می باشد . انتخاب نادرست این پارامترها می تواند روی نتیجه نهاییِ تخمین ، اثرات نامطلوب زیادی بگذارد. از طرفی دیگر الگوریتم پیشنهادی جهت تخمین مرتبه مدل و قطب های توابع اورتونرمال برای سیستم مورد نظر ما مرتبه های نسبتاً بالا(بیشتر از 30) را پیشنهاد می کند که حجم محاسبات بسیار بالا و مشکلات محاسباتی را منجر خواهد شد. در این حالت ابتدا برای سیستم مورد نظر مرتبه های کم(کمتر از 5) انتخاب خواهد شد و سپس با تعمیمِ این مدل به ساختار pci نتایج تا حد قابل قبولی بهبود خواهند یافت . در فصل چهارم روشی در شناساییِ ساختار مدلهای بلوگ گرا که مبتنی بر تخمین متغیرهای میانی و به کارگیری اصل جداسازی جمله کلیدی است ، معرفی خواهد شد . قبلاً این روش برای مدلهای هامرشتین و وینر به کار گرفته شده بود که رابطه خروجی بر حسب ورودی در این مدل ها در نهایت به شکل یک مدل bj بیان شد . در این حالت برای شناسایی پارامترهای مدل یا می بایست از روش های غیرخطی کمک گرفت یا اینکه با کمک روش های شناسایی خطی می توان مدل با تعداد پارامترهای اضافی را شناسایی کرد و یا از الگوریتم های راحت سازی استفاده کرد . در این فصل در ابتدا مروری بر روش فوق خواهد شد ، سپس روابط برای مدل با ساختار miso lnl تعمیم داده خواهد شد و نتایج حاصل از شبیه سازی داده های سیستم مورد نظر با این روش ارائه خواهد شد . در ادامه با استفاده از ایده مطرح شده در این روش و با کمی تغییر در نحوه بیان معادلات نشان داده خواهد شد که روابط مربوط به مدل miso wiener و miso lnl به شکل یک مدل خطی arx می تواند بازنویسی شود . در این حالت می توان از روشهای بازگشتی ِخطی نظیر rls , rplr , … جهت تخمین پارامترهای اصلیِ مدل ، بدون هیچ گونه افزونگی در تعداد پارامترها استفاده کرد . در ادامه همین کار برای مدلهایی با ساختار miso lnln در دو حالت انجام خواهد شد . در حالت اول بخش غیرخطی گری خروجی چندجمله ای یک تکه ای در نظر گرفته خواهد شد و در حالت دوم روابط برای غیرخطی گری خروجی به شکل چندجمله ای دو تکه ای استخراج خواهند شد. در نهایت نیز نتایج حاصل از به کارگیری این مدلها در هر دو حالت ارائه خواهند شد.