系統(tǒng)辨識與建模

第1章 緒論
1．1 基本概念
1．2 系統(tǒng)辨識的產(chǎn)生與發(fā)展
1．2．1 系統(tǒng)辨識的基本思想
1．2．2 系統(tǒng)辨識的發(fā)展
1．2．3 系統(tǒng)辨識的應(yīng)用
1．3 本書的主要內(nèi)容
練習(xí)題
第2章 系統(tǒng)辨識的基本概念
2．1 系統(tǒng)的概念及其分類
2．1．1 系統(tǒng)的基本概念
2．1．2 系統(tǒng)的分類
2．2 模型的概念及分類
2．2．1 模型的基本概念
2．2．2 模型的性質(zhì)
2．2．3 模型的分類
2．3 建立模型的方法及常見模型
2．3．1 建立模型的基本方法
2．3．2 常見的數(shù)學(xué)模型
2．4 系統(tǒng)辨識的定義和基本原理
2．4．1 系統(tǒng)辨識的定義
2．4．2 系統(tǒng)辨識的基本原理
2．5 系統(tǒng)辨識相關(guān)知識
2．5．1 系統(tǒng)辨識的誤差準(zhǔn)則
2．5．2 系統(tǒng)辨識的分類
2．5．3 系統(tǒng)辨識的基本原則
2．5．4 系統(tǒng)辨識的內(nèi)容和步驟
練習(xí)題
第3章 隨機過程簡介
3．1 隨機過程的基本概念
3．1．1 隨機過程的定義
3．1．2 隨機過程的概率分布函數(shù)與密度函數(shù)
3．1．3 隨機過程的數(shù)字特征
3．1．4 平穩(wěn)隨機過程
3．1．5 廣義平穩(wěn)隨機過程
3．1．6 平穩(wěn)隨機過程的各態(tài)遍歷性
3．1．7 平穩(wěn)隨機過程相關(guān)函數(shù)的性質(zhì)
3．1．8 離散平穩(wěn)隨機序列的數(shù)字特征的估計
3．1．9 其他類型的隨機過程
3．2 譜密度函數(shù)
3．2．1 確定性過程的譜密度
3．2．2 隨機過程的功率譜密度
3．2．3 譜密度的性質(zhì)
3．3 線性過程在隨機輸入下的響應(yīng)
3．3．1 線性過程在隨機輸入下的輸出譜密度
3．3．2 線性過程在隨機輸入下的互譜密度
3．4 白噪聲及其產(chǎn)生方法
3．4．1 白噪聲過程
3．4．2 白嗓聲序列
3．4．3 表示定理
3．4．4 白噪聲序列的產(chǎn)生
3．5 偽隨機碼的產(chǎn)生及其性質(zhì)
3．5．1 偽隨機二位式序列
3．5．2 逆重復(fù)M序列
練習(xí)題
第4章 系統(tǒng)辨識的經(jīng)典方法
4．1 階躍響應(yīng)法
4．1．1 近似法
4．1．2 兩點法
4．1．3 面積法
4．1．4 拉氏變換法
4．2 頻率響應(yīng)法
4．3 脈沖響應(yīng)法
4．3．1 從系統(tǒng)輸入輸出求系統(tǒng)的脈沖響應(yīng)
4．3．2 根據(jù)脈沖響應(yīng)求脈沖傳遞函數(shù)
4．4 相關(guān)分析法
4．5 用M序列辨識線性系統(tǒng)的脈沖響應(yīng)
練習(xí)題
第5章 最小二乘參數(shù)辨識方法及應(yīng)用
5．1 最小二乘辨識的基本概念
5．2 最小二乘參數(shù)辨識方法
5．2．1 最小二乘辨識問題的假設(shè)條件
5．2．2 最小二乘辨識問題的解
5．2．3 最小二乘估計的幾何意義
5．2．4 最小二乘估計的統(tǒng)計性質(zhì)
5．3 遞推最小二乘參數(shù)辨識方法
5．3．1 遞推算法
5．3．2 損失函數(shù)的遞推計算
5．3．3 遞推算法分析
5．4 加權(quán)最小二乘辨識法
5．4．1 加權(quán)最小二乘辨識法簡介
5．4．2 加權(quán)最小二乘遞推算法
5．4．3 算法的加權(quán)形式
5．4．4 損失函數(shù)的遞推計算
5．5 增廣最小二乘辨識方法
5．5．1 增廣最小二乘的原理
5．5．2 遞推算式
5．5．3 增廣最小二乘法的改進
5．6 多變量最小二乘辨識方法
5．6．1 多變量系統(tǒng)的最小二乘辨識算法的基本原理
5．6．2 多變量系統(tǒng)的最小二乘辨識算法的分析與設(shè)計
練習(xí)題
第6章 極大似然參數(shù)辨識方法
6．1 極大似然估計方法
6．1．1 極大似然估計法
6．1．2 極大似然法
6．2 動態(tài)模型參數(shù)的極大似然估計
6．3 極大似然法參數(shù)估計的數(shù)值解
6．4 遞推的極大似然參數(shù)估計
6．5 預(yù)報誤差參數(shù)辨識法
6．5．1 預(yù)報誤差模型
6．5．2 預(yù)報誤差法與極大似然法之間的關(guān)系
6．5．3 預(yù)報誤差參數(shù)估計方法
6．6 極大似然法的估計精度及辨識方法的比較
6．6．1 估計精度
6．6．2 遞推算法的一般格式
練習(xí)題
第7章 其他辨識方法
7．1 梯度校正參數(shù)辨識
7．1．1 確定性系統(tǒng)的梯度校正參數(shù)辨識法
7．1．2 隨機逼近法
7．1．3 隨機牛頓法
7．2 神經(jīng)網(wǎng)絡(luò)模型辨識
7．2．1 神經(jīng)網(wǎng)絡(luò)模型分類
7．2．2 神經(jīng)網(wǎng)絡(luò)模型辨識中常用結(jié)構(gòu)
7．2．3 基于BP神經(jīng)網(wǎng)絡(luò)的非線性系統(tǒng)辨識
7．3 模型的結(jié)構(gòu)辨識
7．3．1 Hankel矩陣定階法
7．3．2 損失函數(shù)檢驗法
7．3．3 F檢驗法
7．3．4 Akaike準(zhǔn)則法
7．3．5 預(yù)報誤差準(zhǔn)則法
7．4 非線性系統(tǒng)辨識
7．4．1 Volterra級數(shù)描述和辨識
7．4．2 非線性差分方程和辨識
7．4．3 Hammerstein模型與辨識
練習(xí)題
附錄A 系統(tǒng)辨識實驗說明
實驗1 白噪聲和M序列的產(chǎn)生
實驗2 相關(guān)分析法辨識脈沖響應(yīng)
實驗3 最小二乘法的實現(xiàn)
實驗4 遞推最小二乘法的實現(xiàn)
附錄B Matlab系統(tǒng)辨識工具箱簡介
附錄C 矩陣相關(guān)性質(zhì)
主要參考文獻