基于組合式信號(hào)源的塊結(jié)構(gòu)模型辨識(shí)方法

定　價(jià)：￥68.00

作　者：	賈立著
出版社：	科學(xué)出版社
叢編項(xiàng)：	智能科學(xué)技術(shù)著作叢書(shū)
標(biāo)　簽：	電子通信工業(yè)技術(shù)

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787030503770	出版時(shí)間：	2016-11-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	171	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　復(fù)雜工業(yè)過(guò)程具有多變量、變量間非線性和強(qiáng)耦合等特點(diǎn)，且受多種不確定因素干擾導(dǎo)致難以建模，針對(duì)這一問(wèn)題，《智能科學(xué)技術(shù)著作叢書(shū)：基于組合式信號(hào)源的塊結(jié)構(gòu)模型辨識(shí)方法》從塊結(jié)構(gòu)模型中間變量不可測(cè)量的角度出發(fā)，分析塊結(jié)構(gòu)模型各串聯(lián)模塊在不同激勵(lì)信號(hào)作用下的特性，系統(tǒng)地提出復(fù)雜工業(yè)過(guò)程塊結(jié)構(gòu)非線性動(dòng)態(tài)模型描述和辨識(shí)的新方法，主要包括采用神經(jīng)模糊技術(shù)的串聯(lián)模塊建模方法、全新智能分離算法和模塊參數(shù)辨識(shí)算法、利用補(bǔ)償技術(shù)的塊結(jié)構(gòu)非線性動(dòng)態(tài)系統(tǒng)過(guò)程噪聲建模方法等，并利用隨機(jī)過(guò)程理論分析和比較所提方法的性能?！吨悄芸茖W(xué)技術(shù)著作叢書(shū)：基于組合式信號(hào)源的塊結(jié)構(gòu)模型辨識(shí)方法》可以作為自動(dòng)控制專業(yè)研究生的教學(xué)參考書(shū)，同時(shí)對(duì)從事自動(dòng)化系統(tǒng)研究、設(shè)計(jì)、開(kāi)發(fā)和應(yīng)用的廣大科技工作者也具有一定的參考價(jià)值。

作者簡(jiǎn)介

　　賈立著

圖書(shū)目錄

《智能科學(xué)技術(shù)著作叢書(shū)》序前言
第一部分塊結(jié)構(gòu)模型第1章塊結(jié)構(gòu)模型概述1.1 引言1.2 靜態(tài)非線性環(huán)節(jié)與動(dòng)態(tài)線性環(huán)節(jié)的同步辨識(shí)法1.2.1 過(guò)參數(shù)化法1.2.2 子空間法1.2.3 調(diào)制函數(shù)法1.2.4 直接辨識(shí)法1.3 靜態(tài)非線性環(huán)節(jié)與動(dòng)態(tài)線性環(huán)節(jié)的分步辨識(shí)法1.3.1 迭代法1.3.2 分離最小二乘法1.3.3 多信號(hào)源法1.3.4 盲辨識(shí)法1.3.5 頻域法1.3.6 隨機(jī)法1.4 基于Hammerstein模型的控制系統(tǒng)設(shè)計(jì)1.5 塊結(jié)構(gòu)模型研究中存在的關(guān)鍵問(wèn)題1.6 全書(shū)概況參考文獻(xiàn)
第二部分基于二進(jìn)制—隨機(jī)復(fù)合信號(hào)源的塊結(jié)構(gòu)模型辨識(shí)方法第2章基于二進(jìn)制—隨機(jī)復(fù)合信號(hào)源的Hammerstein模型辨識(shí)方法2.1 基于泰勒級(jí)數(shù)展開(kāi)法的Hammerstein模型辨識(shí)2.1.1 基于神經(jīng)模糊的Hammerstein模型2.1.2 基于神經(jīng)模糊Hammerstein模型的辨識(shí)2.1.3 實(shí)驗(yàn)結(jié)果2.1.4 小結(jié)2.2 基于Lyapunoy方法的Hammerstein模型辨識(shí)2.2.1 神經(jīng)模糊Hammerstein模型2.2.2 神經(jīng)模糊Hammerstein模型辨識(shí)2.2.3 實(shí)驗(yàn)結(jié)果2.2.4 小結(jié)參考文獻(xiàn)第3章基于二進(jìn)制—隨機(jī)復(fù)合信號(hào)源的Hammerstein-Wiener模型辨識(shí)方法3.1 基于二進(jìn)制—隨機(jī)復(fù)合信號(hào)源的Hammerstein-Wiener模型3.1.1 神經(jīng)模糊Hammerstein-Wiener模型3.1.2 神經(jīng)模糊Hammerstein-Wiener模型各串聯(lián)環(huán)節(jié)的分離3.1.3 基于神經(jīng)模糊Hammerstein-Wiener模型的控制系統(tǒng)3.1.4 實(shí)驗(yàn)結(jié)果3.1.5 小結(jié)3.2 基于兩階段復(fù)合信號(hào)的Hammerstein-Wiener模型3.2.1 基于兩階段復(fù)合信號(hào)的神經(jīng)模糊Hammerstein-Wiener模型3.2.2 實(shí)驗(yàn)結(jié)果3.2.3 小結(jié)參考文獻(xiàn)第4章含過(guò)程噪聲的塊結(jié)構(gòu)模型二進(jìn)制一隨機(jī)復(fù)合信號(hào)源辨識(shí)方法4.1 基于輔助模型遞推最小二乘法的Hammerstein模型4.1.1 一類含過(guò)程噪聲的Hammerstein模型4.1.2 基于輔助模型遞推最小二乘法的Hammerstein模型多信號(hào)源辨識(shí)方法4.1.3 實(shí)驗(yàn)結(jié)果4.1.4 小結(jié)4.2 基于偏差補(bǔ)償遞推最小二乘法的Hammerstein-Wiener模型4.2.1 一類含過(guò)程噪聲的Hammerstein-Wiener模型4.2.2 基于偏差補(bǔ)償遞推最小二乘法的Hammerstein-Wiener模型多信號(hào)源辨識(shí)方法4.2.3 實(shí)驗(yàn)結(jié)果4.2.4 小結(jié)4.3 基于輔助模型多新息隨機(jī)梯度法的Hammerstein模型4.3.1 基于輔助模型多新息隨機(jī)梯度法的Hammerstein模型多信號(hào)源辨識(shí)方法4.3.2 實(shí)驗(yàn)結(jié)果4.3.3 小結(jié)參考文獻(xiàn)
第三部分基于可分離信號(hào)源的塊結(jié)構(gòu)模型辨識(shí)方法第5章基于可分離信號(hào)源的多輸入多輸出Hammerstein模型辨識(shí)方法5.1 多輸入多輸出Hammerstein模型5.2 基于可分離信號(hào)源的多輸入多輸出Hammerstein模型辨識(shí)5.2.1 基于神經(jīng)模糊的多輸人多輸出Hammerstein模型5.2.2 基于可分離信號(hào)源的多輸入多輸出Hammerstein模型辨識(shí)5.2.3 實(shí)驗(yàn)結(jié)果5.2.4 小結(jié)參考文獻(xiàn)第6章含過(guò)程噪聲的多輸入多輸出Hammerstein模型可分離信號(hào)源辨識(shí)方法6.1 含過(guò)程噪聲的多輸人多輸出Hammerstein模型辨識(shí)6.1.1 含過(guò)程噪聲的多輸人多輸出Hammerstein模型6.1.2 含過(guò)程噪聲的多輸入多輸出Hammerstein模型辨識(shí)6.1.3 實(shí)驗(yàn)結(jié)果6.1.4 小結(jié)6.2 基于可分離信號(hào)的Hammerstein輸出誤差滑動(dòng)平均系統(tǒng)辨識(shí)6.2.1 Hammerstein輸出誤差滑動(dòng)平均系統(tǒng)6.2.2 神經(jīng)模糊Hammerstein輸出誤差滑動(dòng)平均系統(tǒng)辨識(shí)6.2.3 實(shí)驗(yàn)結(jié)果6.2.4 小結(jié)參考文獻(xiàn)第7章含過(guò)程噪聲的Hammerstein-Wiener模型可分離信號(hào)源辨識(shí)方法7.1 基于可分離信號(hào)的Hammerstein-Wiener模型辨識(shí)方法7.1.1 神經(jīng)模糊Hammerstein-Wiener模型7.1.2 神經(jīng)模糊Hammerstein-Wiener模型辨識(shí)方法7.1.3 基于Hammerstein-Wiener模型的控制系統(tǒng)設(shè)計(jì)7.1.4 實(shí)驗(yàn)結(jié)果7.1.5 小結(jié)7.2 基于遞推廣義增廣最小二乘法的Hammerstein-Wiener模型可分離信號(hào)源辨識(shí)7.2.1 噪聲干擾下的FIR Hammerstein-Wiener模型7.2.2 基于遞推廣義增廣最小二乘法的Hammerstein-Wiener辨識(shí)7.2.3 實(shí)驗(yàn)結(jié)果7.2.4 小結(jié)參考文獻(xiàn)