系統(tǒng)辨識及其MATLAB仿真

序
前言
第1章辨識的基本概念
1.1系統(tǒng)和模型
1.1.1模型的表現(xiàn)形式
1.1.2數(shù)學模型的分類
1.2辨識建模的定義
1.3辨識問題的表示形式及原理
1.3.1辨識問題的表達形式
1.3.2辨識算法的基本原理
1.3.3誤差準則
1.4辨識的內(nèi)容和步驟
1.5典型的非線性系統(tǒng)辨識與控制方法
1.5.1非線性辨識典型模型及辨識.控制方法特點
1.5.2非線性系統(tǒng)參數(shù)估計的特點
1.5.3神經(jīng)網(wǎng)絡(luò)及其系統(tǒng)控制結(jié)構(gòu)
1.5.4非線性解耦問題
1.5.5需要深入研究的非線性問題
1.6小結(jié)
習題
第2章辨識理論基礎(chǔ)及古典辨識方法
2.1隨機過程基本概念及其數(shù)學描述
2.1.1基本概念
2.1.2相關(guān)函數(shù)和協(xié)方差函數(shù)的性質(zhì)
2.2譜密度與相關(guān)函數(shù)
2.2.1帕塞瓦爾(Parseval)定理與功率密度譜表示式
2.2.2維納—辛欽(Wiener—Khintchine)關(guān)系式
2.3線性系統(tǒng)在隨機輸入下的響應
2.4白噪聲產(chǎn)生方法及其仿真
2.4.1白噪聲的概念
2.4.2白噪聲的產(chǎn)生及其MATLAB仿真
2.4.3偽隨機信號產(chǎn)生及MATLAB仿真舉例
2.5古典辨識方法
2.5.1M序列自相關(guān)函數(shù)
2.5.2逆M序列
2.5.3相關(guān)分析法頻率響應辨識
2.5.4相關(guān)分析法脈沖響應辨識
2.5.5相關(guān)分析法脈沖響應應用
2.6小結(jié)
習題
第3章最小二乘參數(shù)辨識
3.1最小二乘法的概念
3.1.1系統(tǒng)辨識結(jié)構(gòu)
3.1.2最小二乘法的基本概念
3.2最小二乘問題的描述
3.3最小二乘問題的一次完成算法
3.3.1普通最小二乘問題的解
3.3.2加權(quán)最小二乘問題的解
3.4最小二乘一次完成算法的MATLAB仿真
3.5最小二乘參數(shù)估計的遞推算法
3.5.1遞推算法的概念
3.5.2遞推算法的推導
3.6最小二乘遞推算法的MATLAB仿真
3.7增廣最小二乘法
3.8增廣最小二乘辨識的MATLAB仿真
3.9廣義最小二乘法
3.10多級最小二乘法
3.10.1輔助模型參數(shù)辨識
3.10.2系統(tǒng)模型參數(shù)辨識
3.10.3噪聲模型參數(shù)辨識
3.11小結(jié)
習題
第4章梯度校正參數(shù)辨識
4.1確定性問題的梯度校正參數(shù)辨識方法
4.1.1確定性梯度校正辨識公式的推導
4.1.2權(quán)矩陣的選擇
4.2脈沖響應梯度校正辨識的MATLAB仿真
4.3隨機性問題的梯度校正參數(shù)辨識方法
4.3.1隨機性問題的提法
4.3.2隨機性辨識問題的分類
4.3.3隨機性問題的梯度校正參數(shù)估計方法
4.4梯度校正法在動態(tài)過程辨識中的應用
4.4.1狀態(tài)方程的參數(shù)辨識
4.4.2差分方程的參數(shù)辨識
4.5隨機逼近法
4.5.1隨機逼近原理
4.5.2隨機逼近參數(shù)估計方法
4.5.3隨機牛頓法
4.6小結(jié)
習題
第5章極大似然法辨識方法
5.1引言
5.2極大似然參數(shù)辨識原理
5.3動態(tài)系統(tǒng)模型參數(shù)的極大似然估計
5.3.1動態(tài)模型描述
5.3.2極大似然估計與最小二乘估計的關(guān)系
5.3.3協(xié)方差陣未知時的極大似然參數(shù)估計
5.4遞推的極大似然參數(shù)估計
5.4.1極大似然遞推算法的原理及方法
5.4.2似然遞推法辨識MATLAB仿真及程序剖析
5.5小結(jié)
習題
第6章離散隨機系統(tǒng)的自適應濾波
6.1Bayes辨識方法
6.1.1Bayes基本原理
6.1.2最小二乘模型的Bayes參數(shù)辨識
6.2Bayes辨識的MATLAB仿真
6.3Kalman濾波
6.3.1預測.濾波與平滑
6.3.2高斯變量估計
6.3.3Kalman濾波與預測
6.4模型參考自適應辨識方法
6.4.11和2的確定
6.4.2(k)的計算
6.4.3A辨識算法類
6.4.4B類辨識算法
6.4.5C類辨識算法
6.5小結(jié)
習題
第7章神經(jīng)網(wǎng)絡(luò)模型辨識
7.1神經(jīng)網(wǎng)絡(luò)概念與特性
7.1.1人工神經(jīng)元模型
7.1.2激發(fā)函數(shù)
7.1.3神經(jīng)網(wǎng)絡(luò)模型分類
7.1.4神經(jīng)網(wǎng)絡(luò)學習方法
7.1.5神經(jīng)元網(wǎng)絡(luò)特點
7.2神經(jīng)網(wǎng)絡(luò)模型辨識中常用結(jié)構(gòu)
7.3辨識中常用網(wǎng)絡(luò)訓練算法
7.3.1自適應控制系統(tǒng)基本結(jié)構(gòu)
7.3.2辨識中常用BP網(wǎng)絡(luò)訓練算法
7.4改進的BP網(wǎng)絡(luò)訓練算法
7.4.1基于降低網(wǎng)絡(luò)靈敏度的網(wǎng)絡(luò)改進算法
7.4.2提高一類神經(jīng)網(wǎng)絡(luò)容錯性的理論和方法
7.4.3提高神經(jīng)網(wǎng)絡(luò)收斂速度的一種賦初值算法
7.4.4其他網(wǎng)絡(luò)訓練技巧
7.5神經(jīng)網(wǎng)絡(luò)辨識的MATLAB仿真舉例
7.5.1具有噪聲二階系統(tǒng)辨識的MATLAB程序剖析
7.5.2多維非線性辨識的MATLAB程序剖析
7.6基于改進遺傳算法的神經(jīng)網(wǎng)絡(luò)及其應用
7.6.1一種適應度函數(shù)的改進算法
7.6.2一種改進的遺傳神經(jīng)解耦方法
7.6.3遺傳神經(jīng)解耦仿真.實驗及結(jié)論
7.7模糊神經(jīng)網(wǎng)絡(luò)及其應用
7.7.1模糊神經(jīng)網(wǎng)絡(luò)原理及其應用
7.7.2FNN對非線性多變量系統(tǒng)的MATLAB解耦仿真
7.8小結(jié)
習題
第8章非線性動態(tài)系統(tǒng)的其他辨識方法
8.1Volterra級數(shù)的表示及其辨識方法
8.1.1非線性系統(tǒng)Volterra級數(shù)的表示
8.1.2Volterra級數(shù)的辨識
8.2復雜系統(tǒng)的混沌現(xiàn)象及其辨識
8.2.1反饋系統(tǒng)和優(yōu)化過程中的混沌現(xiàn)象
8.2.2基于控制理論的混沌分析方法
8.2.3混沌識別與混沌系統(tǒng)辨識
8.3小結(jié)
習題
參考文獻
光盤目錄
第一部分開發(fā)的程序
1FLch2sjxleg1.m…………隨機序列產(chǎn)生程序
2FLch2bzsheg2.m…………白噪聲產(chǎn)生程序
3FLch2bzsheg3.m…………M序列產(chǎn)生程序
4FLch3LSeg1.m……………二階系統(tǒng)一次性完成最小二乘辨識程序
5FLch3LSeg2.m……………實際壓力系統(tǒng)最小二乘辨識程序
6FLch3RLSeg3.m…………遞推的最小二乘辨識程序
7FLch3ELSeg4.m…………增廣的最小二乘辨識程序
8FLch4GAeg1.m…………梯度校正最小二乘辨識程序
9FLch5RMLeg1.m…………遞推的極大似然法辨識程序
10FLch6BAeg1.m…………Bayes辨識程序
11FLch7NNeg1.m…………改進的神經(jīng)網(wǎng)絡(luò)MBP算法對噪聲系統(tǒng)辨識程序
12FLch7NNeg2.m…………多維非線性函數(shù)辨識的MATLAB程序
13FLch7FNNeg3.m…………模糊神經(jīng)網(wǎng)絡(luò)解耦MATLAB程序
第二部分程序的注釋與剖析
次序同第一部分