系统辨识新论

序言一序言二前言主要符号说明第1章 辨识导引1.1 引言1.2 辨识的定义1.2.1 系统结构和参数1.2.2 机理辨识方法或机理建模方法1.2.3 统计辨识方法或统计建模方法1.2.4 阶跃响应辨识方法1.2.5 辨识的定义与辨识的四要素1.2.6 一些学者的辨识定义1.2.7 关于测量误差问题1.3 数学模型与辨识模型1.3.1 数学模型1.3.2 辨识模型1.4 辨识步骤与辨识目的1.4.1 辨识的基本步骤1.4.2 辨识的目的1.4.3 实验设计1.4.4 数据预处理1.5 辨识方法的类别1.5.1 最小二乘辨识方法1.5.2 梯度辨识方法1.5.3 辅助模型辨识方法1.5.4 多新息辨识方法1.5.5 递阶辨识方法1.5.6 耦合辨识方法1.6 小结1.7 思考题第2章 系统描述的基本模型2.1 引言2.2 线性系统模型变换2.2.1 阶跃不变变换2.2.2 双线性变换和欧拉变换2.2.3 脉冲不变z-s变换2.2.4 离散模型化为差分方程模型2.3 随机系统模型2.3.1 时间序列模型2.3.2 方程误差类模型2.3.3 输出误差类模型2.3.4 特殊方程误差模型2.3.5 特殊输出误差模型2.3.6 一般随机系统模型2.4 多变量系统2.4.1 多变量时间序列模型2.4.2 多变量方程误差类模型2.4.3 多变量输出误差类模型2.4.4 特殊多变量方程误差类模型2.4.5 特殊多变量输出误差类模型2.4.6 一般多变量随机系统模型2.5 类多变量系统2.5.1 状态空间描述到输入输出表达2.5.2 类多变量方程误差类模型2.5.3 类多变量输出误差类模型2.5.4 类特殊多变量方程误差模型2.5.5 类特殊多变量输出误差模型2.5.6 一般类多变量随机系统模型2.6 多输入多输出系统2.6.1 传递函数阵主模型2.6.2 传递函数阵子模型2.6.3 传递函数阵子子模型2.7 多输入单输出系统模型2.7.1 多输入方程误差类模型2.7.2 多输入输出误差类模型2.7.3 特殊多输入方程误差类模型2.7.4 特殊多输入输出误差类模型2.8 多输出系统2.8.1 多变量系统结构2.8.2 单输入多输出系统模型2.8.3 马可夫参数或脉冲响应模型2.9 小结2.10 思考题第3章 辨识精度与辨识基本问题3.1 引言3.2 辨识精度3.2.1 物理量辨识3.2.2 系统外特性辨识3.3 辨识的基本问题3.3.1 辨识方法的提出3.3.2 辨识输入信号设计3.3.3 可辨识性问题3.3.4 参数估计的收敛性3.4 激励信号3.4.1 持续激励信号3.4.2 弱持续激励信号3.4.3 衰减激励信号3.4.4 持续激励信号的产生3.5 基本激励条件3.5.1 强持续激励条件3.5.2 弱持续激励条件3.5.3 衰减激励条件3.5.4 其他激励条件3.6 参数估计性质及分析工具3.6.1 参数估计的统计性质3.6.2 Cramér-Rao不等式3.6.3 实用有界收敛性3.6.4 收敛性分析的基本工具3.7 最小二乘辨识方法及其收敛定理3.7.1 线性回归模型与伪线性回归模型3.7.2 递推最小二乘算法3.7.3 RLS算法计算量与计算步骤3.7.4 RLS算法仿真例子3.7.5 RLS算法的收敛定理3.7.6 随机梯度辨识算法3.8 典型辨识算法及其收敛定理3.8.1 伪线性回归模型Ⅰ3.8.2 伪线性回归模型Ⅱ3.8.3 伪线性回归模型Ⅲ3.9 小结3.10 思考题第4章 辅助模型辨识思想与方法4.1 引言4.2 辅助模型辨识思想4.3 线性输出误差系统4.3.1 辅助模型递推最小二乘算法4.3.2 辅助模型随机梯度辨识算法4.4 线性输出误差类系统4.4.1 线性输出误差滑动平均系统4.4.2 线性输出误差自回归系统4.4.3 线性Box-Jenkins系统4.5 输入非线性方程误差类系统4.5.1 输入非线性有限脉冲响应系统4.5.2 输入非线性受控自回归系统4.5.3 输入非线性受控自回归滑动平均系统4.5.4 输入非线性受控自回归自回归系统4.5.5 输入非线性受控自回归自回归滑动平均系统4.6 输入非线性输出误差类系统4.6.1 输入非线性输出误差系统4.6.2 输入非线性输出误差滑动平均系统4.6.3 输入非线性输出误差自回归系统4.6.4 输入非线性Box-Jenkins系统4.6.5 其他输入非线性系统4.7 输出非线性输出误差类系统4.8 小结4.9 思考题第5章 迭代搜索原理与辨识方法5.1 引言5.2 最小二乘原理与迭代搜索原理5.2.1 最小二乘原理5.2.2 梯度搜索原理5.2.3 牛顿迭代方法5.3 受控自回归滑动平均模型5.3.1 递推增广最小二乘辨识方法5.3.2 最小二乘迭代辨识方法5.3.3 梯度迭代辨识方法5.4 Box-Jenkins模型5.4.1 梯度迭代辨识方法5.4.2 最小二乘迭代方法5.5 非线性系统的迭代辨识方法5.6 小结5.7 思考题第6章 多新息辨识理论与方法6.1 引言6.2 多新息辨识理论6.3 多新息随机梯度辨识方法6.4 多新息梯度类辨识方法6.5 多新息最小二乘辨识方法6.6 变递推间隔多新息最小二乘辨识方法6.7 多新息最小二乘类辨识方法6.8 方程误差类系统6.8.1 受控自回归系统6.8.2 受控自回归滑动平均系统6.8.3 受控自回归系统6.8.4 受控自回归滑动平均系统6.9 输出误差类系统6.9.1 输出误差系统6.9.2 输出误差滑动平均系统6.9.3 输出误差自回归系统6.9.4 Box-Jenkins系统6.10 输入非线性受控自回归滑动平均系统6.11 多新息观测器和多新息卡尔曼滤波器6.11.1 多新息观测器6.11.2 多新息卡尔曼滤波器6.12 小结6.13 思考题第7章 递阶辨识原理与方法7.1 引言7.2 递阶辨识原理7.3 迭代方法族7.3.1 雅可比和高斯-赛德尔迭代7.3.2 矩阵方程Ax=b迭代方法族7.3.3 矩阵方程AXB=F的迭代解7.4 一般矩阵方程7.4.1 西尔维斯特矩阵方程AX XB=F7.4.2 矩阵方程AXB X=F7.4.3 矩阵方程AXB CXD=F7.4.4 矩阵方程A1XB1 … ApXBp=F7.5 耦合矩阵方程7.5.1 耦合西尔维斯特矩阵方程7.5.2 一般耦合矩阵方程7.5.3 其他矩阵方程7.6 方程误差模型的两阶段递推最小二乘辨识方法7.6.1 系统描述与问题构成7.6.2 两阶段递推辨识算法7.6.3 仿真例子7.7 线性回归模型的递阶最小二乘辨识方法7.7.1 辨识模型与问题构成7.7.2 递阶最小二乘算法的推导7.7.3 递阶最小二乘算法的收敛性7.8 类多变量CARMA系统的递阶辨识方法7.8.1 递阶梯度迭代辨识算法7.8.2 递阶最小二乘迭代算法7.8.3 交互噪声干扰的情形7.9 小结7.10 思考题第8章 耦合辨识概念与方法8.1 引言8.2 耦合辨识概念8.3 全耦合辨识方法8.3.1 子系统最小二乘估计算法8.3.2 耦合最小二乘估计算法8.3.3 耦合随机梯度估计算法8.4 部分耦合随机梯度辨识方法8.4.1 随机梯度辨识算法8.4.2 子系统随机梯度辨识算法8.4.3 部分耦合随机梯度辨识算法8.5 部分耦合最小二乘辨识方法8.5.1 最小二乘辨识算法8.5.2 子系统最小二乘辨识算法8.5.3 部分耦合子系统最小二乘辨识算法8.5.4 部分耦合最小二乘辨识算法8.6 有色噪声干扰多变量系统耦合辨识方法8.6.1 多元伪线性回归系统8.6.2 类多变量方程误差类系统8.6.3 类多变量输出误差类系统8.6.4 多变量方程误差类系统8.6.5 多变量输出误差类系统8.7 小结8.8 思考题参考文献附录A 系统的噪信比及其计算A.1 单输入单输出系统A.2 多输入多输出系统A.3 思考题附录B 主要缩略语英汉对照附录C 有关术语汉英对照索引后记

　　《系统辨识新论》是作者教学和科研创新经验的结晶，汇集了作者及其合作者在系统辨识领域的一些最新研究成果。　　《系统辨识新论》论述了系统辨识的基本理论和新型辨识方法。全书共分8章，内容包括：辨识导引、系统描述的基本模型、辨识精度与辨识基本问题、辅助模型辨识思想与方法、迭代搜索原理与辨识方法、多新息辨识理论与方法、递阶辨识原理与方法、耦合辨识概念与方法。　　书中大量Matlab仿真例子源程序为初学者快速上手提供了一个学习蓝本。《系统辨识新论》可作为高等院校高年级本科生、研究生“系统辨识”课程的教材，也可供自动控制类及相关电类专业教师和科技人员选用。【作者简介】　　丁锋，男，湖北广水人，2004年受聘为江南大学“太湖学者”特聘教授，博士生导师。1980年9月～1988年8月湖北工业大学本科生、湖北制药厂变配电技术员；1988年9月～2002年6月清华大学硕士、博士研究生（获优秀博士论文）、讲师、副教授；2002年7月～2005年10月加拿大阿尔伯塔大学（UniversityofAlberta，埃德蒙顿）博士后、研究员；2006年3～5月香港科技大学研究员；2008年5～12月加拿大卡尔顿大学（CarletonUniversity，渥太华）访问教授，2009年1～10月加拿大瑞尔森大学（RyersonUniversity，多伦多）研究员。发表论文300余篇，其中SCI收录99篇、EI收录186篇，32篇SCI论文列入2001年1月1日～2011年12月31日ESI高被引论文全球前1%。　　他提出和创立了辅助模型辨识思想、多新息辨识理论、递阶辨识原理、耦合辨识概念。在辅助模型辨识、多新息辨识、递阶辨识、耦合辨识领域作出了杰出贡献，提出了一系列辨识新方法，研究了一系列参数估计算法的性能。他在系统辨识方面所取得的最新研究成果代表着系统辨识学科的前沿之一，尤其在辨识新方法、辨识方法收敛性分析等方面所作的贡献都是具有前瞻性和开创性的研究。