系統(tǒng)辨識方法及應(yīng)用

第1章 緒論
1.1 系統(tǒng)與模型
1.2 系統(tǒng)辨識的基本思想
1.3 系統(tǒng)辨識的內(nèi)容和步驟
1.4 系統(tǒng)辨識的基本原則
1.5 系統(tǒng)辨識的應(yīng)用
1.6 系統(tǒng)辨識軟件包
1.7 本書內(nèi)容安排
習(xí)題
第2章 輸入設(shè)計與數(shù)據(jù)預(yù)處理
2.1 隨機信號
2.1.1 隨機信號的均值和相關(guān)函數(shù)
2.1.2 相關(guān)函數(shù)和協(xié)方差函數(shù)的性質(zhì)
2.1.3 相關(guān)函數(shù)和譜密度函數(shù)
2.2 常用輸入信號
2.2.1 多正弦和函數(shù)信號
2.2.2 方波信號
2.2.3 白噪聲
2.2.4 有色噪聲
2.2.5 偽隨機二位式序列
2.2.6 逆m序列
2.3 輸入信號與開環(huán)可辨識性
2.3.1 輸入信號與開環(huán)可辨識性問題
2.3.2 2n階持續(xù)激勵信號
2.3.3 2n階持續(xù)激勵條件
2.4 輸入信號的選擇
2.5 采樣率的選擇
2.6 測量數(shù)據(jù)預(yù)處理
2.6.1 野值的剔除和補正
2.6.2 數(shù)據(jù)平滑
2.6.3 數(shù)字低通濾波
2.6.4 零均值化
2.6.5 消除數(shù)據(jù)變化趨勢
2.7 數(shù)據(jù)相容性檢驗
習(xí)題
第3章 系統(tǒng)模型與模型辨識
3.1 輸入輸出模型
3.1.1 連續(xù)型輸入輸出模型
3.1.2 離散型輸入輸出模型
3.2 狀態(tài)空間模型
3.2.1 連續(xù)型狀態(tài)空間模型
3.2.2 離散型狀態(tài)空間模型
3.3 隨機模型
3.3.1 隨機系統(tǒng)的差分模型
3.3.2 隨機系統(tǒng)的狀態(tài)空間模型
3.3.3 隨機系統(tǒng)的預(yù)測誤差方程
3.4 數(shù)學(xué)模型之間的等價變換
3.4.1 微分方程和差分方程的互相轉(zhuǎn)換
3.4.2 狀態(tài)方程到差分方程的轉(zhuǎn)換
3.5 模型結(jié)構(gòu)的可辨識性
3.6 模型階次的辨識
3.6.1 行列式比定階法
3.6.2 PCA定階法
3.6.3 損失函數(shù)檢驗法
3.6.4 F檢驗法
3.6.5 Akaike準(zhǔn)則法
3.6.6 預(yù)報誤差準(zhǔn)則法
3.6.7 Hankel矩陣定階法
3.7 模型仿真與預(yù)測
3.7.1 一步超前預(yù)測
3.7.2 n步超前預(yù)測
3.8 辨識精度
3.8.1 參數(shù)辨識準(zhǔn)度評價方法
3.8.2 參數(shù)置信區(qū)間的估計
3.9 模型檢驗
習(xí)題
第4章 非參數(shù)模型辨識方法
4.1 相關(guān)分析法
4.1.1 頻率響應(yīng)的辨識
4.1.2 脈沖響應(yīng)的辨識
4.2 譜分析法
4.2.1 周期圖法
4.2.2 估計頻率響應(yīng)的平滑法
4.3 非參數(shù)模型轉(zhuǎn)化為參數(shù)模型
4.3.1 由脈沖響應(yīng)求傳遞函數(shù)
4.3.2 由頻率響應(yīng)求傳遞函數(shù)
習(xí)題
第5章 參數(shù)辨識最優(yōu)化方法
5.1 參數(shù)估計的梯度校正法
5.1.1 隨機逼近法
5.1.2 隨機Newton—R印hson法
5.1.3 Marquardt法
5.2 遺傳算法
5.2.1 基本遺傳算法
5.2.2 實數(shù)編碼遺傳算法
5.3 粒子群優(yōu)化算法
5.3.1 粒子群優(yōu)化算法
5.3.2 基于粒子群優(yōu)化的系統(tǒng)辨識
習(xí)題
第6章 最小二乘法
6.1 最小二乘法概述
6.1.1 最小二乘法的基本算法
6.1.2 最小二乘估計的性質(zhì)
6.1.3 最小二乘法的逐數(shù)據(jù)遞推算法
6.1.4 遞推平方根算法
6.1.5 最小二乘法的逐階次遞推算法
6.2 時變最小二乘法
6.2.1 限定記憶最小二乘法
6.2.2 遺忘因子法
6.2.3 分段折線最小二乘法
6.3 輔助變量法
6.4 增廣最小二乘法
6.4.1 增廣最小二乘法概述
6.4.2 廣義的增廣最小二乘法
6.5 多級最小二乘法
6.6 單輸入單輸出系統(tǒng)一般模型辨識的遞推算法
6.6.1 遞推算法
6.6.2 快速算法
6.7 系統(tǒng)辨識在故障檢測中的應(yīng)用
6.7.1 故障檢測方法
6.7.2 在線故障檢測方法
習(xí)題
第7章 其他參數(shù)辨識法
7.1 極大似然
7.1.1 協(xié)方差矩陣已知的極大似然法
7.1.2 協(xié)方差矩陣未知的極大似然法
7.1.3 Newton-Raphson迭代求解法
7.1.4 遞推極大似然法
7.2 預(yù)報誤差法
7.3 基于卡爾曼濾波器的多模參數(shù)辨識
7.3.1 卡爾曼濾波方程
7.3.2 基于卡爾曼濾波方程的多模參數(shù)辨識算法
7.3.3 “移動”卡爾曼濾波器組多模參數(shù)辨識
7.4 基于系統(tǒng)辨識的自適應(yīng)預(yù)報
7.4.1 間接法
7.4.2 直接法
7.4.3 多層遞階預(yù)報方法
習(xí)題
第8章 多變量線性系統(tǒng)辨識
8.1 狀態(tài)方程的規(guī)范形
8.1.1 代數(shù)等價系統(tǒng)
8.1.2 適宜選擇路線
8.1.3 規(guī)范形
……
第9章 閉環(huán)系統(tǒng)的模型辯識
第10章 神經(jīng)網(wǎng)絡(luò)模型的辯識
第11章 模糊系統(tǒng)的模型辯識
第12章 面向控制的魯棒辯識
第13章 系統(tǒng)辯識在飛行空口說白話試驗中的應(yīng)用
第14章 基于Matlab的系統(tǒng)辯識實例
附錄
參考文獻