系統(tǒng)建模與辨識

目錄第1章  引論(1)  1.1  建模與系統(tǒng)辨識概述     1.1.1  系統(tǒng)辨識研究的對象     1.1.2  系統(tǒng)辨識     1.1.3  系統(tǒng)辨識的目的     1.1.4  辨識中的先驗(yàn)知識     1.1.5  先驗(yàn)知識的獲得     1.1.6  系統(tǒng)辨識的基本步驟    1.2  數(shù)學(xué)模型     1.2.1  概述     1.2.2  線性系統(tǒng)的4種數(shù)學(xué)模型    1.3  本書的指導(dǎo)思想和布局  第2章  線性靜態(tài)模型的辨識(12)  2．1  問題的提出    2．2  最小二乘法（LS）     2.2.1  最小二乘估計(jì)     2.2.2  最小二乘估計(jì)的性質(zhì)     2.2.3  逐步回歸方法    2.3  病態(tài)方程的求解方法     2.3.1  病態(tài)對參數(shù)估計(jì)的影響     2.3.2  條件數(shù)     2.3.3  病態(tài)方程的求解方法 
2.4 模型參數(shù)的最大似然估計(jì)（ML）    2.4.1  最大似然準(zhǔn)則     2.4.2  最大似然估計(jì)  習(xí)題  第3章 離散線性動態(tài)模型的最小二乘估計(jì)(27)  3．1  問題的提法及一次完成最小二乘估計(jì)    3.2  最小二乘估計(jì)的遞推算法(RLS)     3.2.1  遞推最小二乘法     3.2.2  初始值的選擇     3.2.3  計(jì)算步驟及舉例    3.3  時(shí)變系統(tǒng)的實(shí)時(shí)算法 
3.3.1 漸消記憶（指數(shù)窗）的遞推算法    3.3.2  限定記憶（固定窗）的遞推算法     3.3.3  變遺忘因子的實(shí)時(shí)算法    3.4  遞推平方根算法    3.5  最大似然估計(jì)(ML)    習(xí)題  第4章  相關(guān)(有色)噪聲情形的辨識算法(42)  4.1  輔助變量法    4.2  增廣最小二乘法 (ELS)     4.2.1  增廣最小二乘法     4.2.2  改進(jìn)的增廣最小二乘法    4.3  最大似然法（ML）    4.4  閉環(huán)系統(tǒng)的辨識     4.4.1  問題的提出     4.4.2  可辨識性     4.4.3  閉環(huán)條件下的最小二乘估計(jì)     習(xí)題  第5章  模型階的辨識    5.1  單變量線性系統(tǒng)階的辨識     5.1.1  損失函數(shù)檢驗(yàn)法     5.1.2  F檢驗(yàn)法     5.1.3  赤池信息準(zhǔn)則（AIC準(zhǔn)則）    5.2  階與參數(shù)同時(shí)辨識的遞推算法     5.2.1  辨識階次的基本思想和方法     5.2.2  階的遞推辨識算法     5.2.3  幾點(diǎn)說明    5.3  仿真研究     5.3.1  辨識方法的仿真研究     5.3.2  對模型適用性的仿真研究 
5.3.3 控制系統(tǒng)設(shè)計(jì)中的計(jì)算機(jī)仿真研究   習(xí)題  第6章  多變量線性系統(tǒng)的辨識    6.1  不變量、適宜選擇路線及規(guī)范形     6.1.1  代數(shù)等價(jià)系統(tǒng)     6.1.2  適宜選擇路線與不變量     6.1.3  適宜選擇路線與規(guī)范形    6.2  輸入/輸出方程     6.2.1  輸入/輸出方程一般形式 
6.2.2 PCF規(guī)范形對應(yīng)的輸入/輸出方程   6.3  PCF規(guī)范形的辨識     6.3.1  結(jié)構(gòu)確定及參數(shù)辨識     6.3.2  *和*的實(shí)現(xiàn)算法    習(xí)題  第7章  線性系統(tǒng)的非參數(shù)表示和辨識    7.1  線性系統(tǒng)的非參數(shù)表示     7.1.1  脈沖響應(yīng)函數(shù)     7.1.2  Markov參數(shù)（Hankel模型）    7.2  估計(jì)脈沖響應(yīng)函數(shù)的相關(guān)方法     7.2.1  相關(guān)方法的基本原理     7.2.2  偽隨機(jī)二位式信號（M序列） 
7.2.3 用M序列做輸入信號時(shí)脈沖響應(yīng)函數(shù)的估計(jì)    7.2.4  估計(jì)h(t)的具體步驟與實(shí)施    習(xí)題  第8章  非線性系統(tǒng)辨識    8.1  引言    8.2  單純形搜索法     8.2.1  問題的提法     8.2.2  單純形搜索法    8.3  迭代算法的基本原理     8.3.1  迭代算法的一般步驟     8.3.2  可接受方向    8.4  牛頓—拉夫森算法    8.5  麥夸特方法    8.6  數(shù)據(jù)處理的分組方法(GMDH)     8.6.1  背景     8.6.2  一般模型結(jié)構(gòu)及基本原則     8.6.3  基本的GMDH方法     8.6.4  變量的預(yù)選擇     8.6.5  數(shù)據(jù)的分組和部分實(shí)現(xiàn)檢驗(yàn)準(zhǔn)則     8.6.6  選擇層——中間變量的選擇     8.6.7  部分實(shí)現(xiàn)的形式     8.6.8  GMDH方法總結(jié)及應(yīng)用    8.7  NARMAX 模型的辨識     8.7.1  引言     8.7.2  非線性動態(tài)系統(tǒng)的描述     8.7.3  “新息—貢獻(xiàn)”準(zhǔn)則與矩陣求逆定理     8.7.4  NARMAX模型的遞推辨識算法     8.7.5  小結(jié)    習(xí)題  第9章  房室模型的辨識   9.1  問題的提出    9.2  房室模型的建模     9.2.1  房室     9.2.2  物質(zhì)轉(zhuǎn)移速度     9.2.3  房室模型     9.2.4  房室模型分類     9.2.5  房室模型建模示例    9.3  參數(shù)估計(jì)     9.3.1  問題     9.3.2  參數(shù)估計(jì)算法     9.3.3  參數(shù)估計(jì)中遇到的幾個(gè)問題    9.4  可辨識性問題     9.4.1  問題     9.4.2  一房室模型     9.4.3  二房室模型     9.4.4  三房室模型     9.4.5  多房室模型的可辨識性問題    9.5  應(yīng)用實(shí)例    習(xí)題  第10章  時(shí)間序列的建模與辨識   10.1  引言     10.1.1  模型形式     10.1.2  格林函數(shù)     10.1.3  穩(wěn)定性    10.2  模型的參數(shù)估計(jì)     10.2.1  AR（n）模型的參數(shù)估計(jì)     10.2.2  ARMA(n,m)模型的參數(shù)估計(jì)     10.2.3  初值的求法    10.3  模型階的確定    10.4  確定性的趨向和季節(jié)性:非平穩(wěn)序列    習(xí)題  第11章  神經(jīng)網(wǎng)絡(luò)模型   11.1  引言    11．2  神經(jīng)組織的基本特征和人工神經(jīng)元     11．2．1  神經(jīng)組織的基本特征     11．2．2  人工神經(jīng)元的MP模型    11.3  多層前饋神經(jīng)網(wǎng)絡(luò)模型     11.3.1  前饋神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)     11.3.2  確定網(wǎng)絡(luò)模型權(quán)值問題的數(shù)學(xué)描述     11.3.3  BP算法     11.3.4  神經(jīng)網(wǎng)絡(luò)的幾個(gè)有關(guān)概念    11.4  神經(jīng)網(wǎng)絡(luò)在辨識中的應(yīng)用    11.5  徑向基函數(shù)網(wǎng)絡(luò)及其應(yīng)用     11.5.1  徑向基函數(shù)網(wǎng)絡(luò)的結(jié)構(gòu)     11.5.2  RBF網(wǎng)絡(luò)的辨識     11.5.3  用RBF網(wǎng)絡(luò)建模實(shí)例    習(xí)題  第12章  模糊建模與辨識   12．1  模糊集合的基本概念     12.1.1  模糊集合及其表示     12.1.2  模糊集的運(yùn)算     12.1.3  常用的隸屬函數(shù)     12.1.4  模糊邏輯關(guān)系的格式     12.1.5  推理算法    12.2  基于TS模型的模糊辨識     12.2.1  結(jié)論參數(shù)的辨識     12.2.2  前提參數(shù)的辨識     12.2.3  前提變量的選擇    12.3  應(yīng)用實(shí)例    12.4  小結(jié)    習(xí)題  第13章  遺傳算法及應(yīng)用簡介   13.1  引言     13.1.1  遺傳算法的基本思想     13.1.2  基本遺傳算法的工作步驟    13.2  遺傳算法的計(jì)算機(jī)實(shí)現(xiàn)    13.3  遺傳算法的工作過程舉例    13.4  實(shí)數(shù)編碼遺傳算法     13.4.1  實(shí)數(shù)編碼遺傳算法及其在神經(jīng)網(wǎng)絡(luò)訓(xùn)練中的應(yīng)用     13.4.2  結(jié)果與討論    13.5  關(guān)于遺傳算法的幾點(diǎn)說明     13.5.1  模式定理     13.5.2  GA算法的收斂性分析     13.5.3  GA是一種優(yōu)化算法的方法論    習(xí)題  第14章  辨識的實(shí)施   14.1  辨識的實(shí)驗(yàn)設(shè)計(jì)     14.1.1  問題的提出     14.1.2  設(shè)計(jì)準(zhǔn)則     14.1.3  輸入信號的設(shè)計(jì)     14.1.4  采樣區(qū)間的設(shè)計(jì)    14.2  模型適用性檢驗(yàn)     14.2.1  通過先驗(yàn)知識的檢驗(yàn)     14.2.2  通過數(shù)據(jù)的檢驗(yàn)     14.2.3  通過對預(yù)測誤差序列的檢驗(yàn)     14.2.4  應(yīng)用實(shí)例    習(xí)題  附錄A  矩陣運(yùn)算的兩個(gè)結(jié)果 附錄B  矩陣微分的幾個(gè)結(jié)果 附錄C  偽隨機(jī)二位式序列 附錄D  正態(tài)偽隨機(jī)數(shù) 參考文獻(xiàn)