系統(tǒng)辨識

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 系統(tǒng)及其模型的分類
1.2 辨識建模的定義
1.3 辨識問題的表達形式及原理
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、控制方法的的特點
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 需要深人研究的非線性問題
1.6 小結(jié)
思考題
第2章 辨識理論基礎(chǔ)及古典辨識法
2.1 隨機過程及其數(shù)學(xué)描述
2.1.1 隨機過程的基本概念
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 巴塞伐爾定理與功率密度譜表示式
2.2.2 維納一辛欽關(guān)系式
2.3 線性系統(tǒng)在隨機輸人下的響應(yīng)
2.4 白噪聲的產(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
2.5.1 M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(yīng)辨識
2.5.4 相關(guān)分析法脈沖響應(yīng)辨識
2.5.5 相關(guān)分析法脈沖響應(yīng)辨識的應(yīng)用
2.6 小結(jié)
習(xí)題
第3章 最小二乘參數(shù)辨識
3.1 基本最小二乘法
3.1.1 問題的提出
3.1.2 最小二乘法的原理
3.2 最小二乘法問題的描述
3.3 最小二乘問題的基本算法
3.3.1 基本最小二乘問題的解
3.3.2 加權(quán)最小二乘問題的解
3.3.3 最小二乘一次完成算法的MATLAB仿真
3.4 最小二乘參數(shù)估計的遞推算法
3.4.1 遞推算法的概念
3.4.2 遞推算法的推導(dǎo)
3.4.3 最小二乘遞推算法的MATLAB仿真
3.5 最小二乘法的統(tǒng)計特性及存在問題
3.5.1 最小二乘法的統(tǒng)計特性
3.5.2 最小二乘法存在的問題及解決辦法
3.6 最小二乘適應(yīng)算法
3.6.1 遺忘因子法
3.6.2 限定記憶法
3.7 增廣最小二乘法
3.7.1 增廣最小二乘辨識
3.7.2 增廣最小二乘辨識的MATLAB仿真
3.8 廣義最小二乘法
3.9 小結(jié)
習(xí)題
第4章 極大似然法辨識方法
4.1 極大似然參數(shù)辨識原理
4.2 動態(tài)系統(tǒng)模型參數(shù)的極大似然估計
4.2.1 動態(tài)模型描述
4.2.2 極大似然估計與最小二乘估計的關(guān)系
4.2.3 協(xié)方差陣未知時的極大似然參數(shù)估計
4.3 遞推的極大似然參數(shù)估計
4.3.1 極大似然遞推算法的原理及方法
4.3.2 似然遞推法辨識的MATLAB仿真
4.4 小結(jié)
習(xí)題
第5章 其它參數(shù)辨識方法及原理
5.1 梯度校正參數(shù)辨識
5.1.1 確定性問題的梯度校正參數(shù)辨識方法
5.1.2 脈沖響應(yīng)梯度校正辨識及其MATLAB仿真
5.1.3 用梯度校正法辨識電液位置伺服系統(tǒng)
5.2 Bayes辨識
5.2.1 Bayes基本原理
5.2.2 最小二乘模型的Bayes參數(shù)辨識.
5.2.3 Bayes辨識的MATLAB仿真
5.2.4 TRP激光陀螺溫度控制系統(tǒng)的參數(shù)辨識
5.3 小結(jié)
習(xí)題
第6章 神經(jīng)網(wǎng)絡(luò)辨識及其改進的BP網(wǎng)絡(luò)應(yīng)用
6.1 神經(jīng)網(wǎng)絡(luò)的概念與特性
6.1.1 人工神經(jīng)元模型
6.1.2 激發(fā)函數(shù)
6.1.3 神經(jīng)網(wǎng)絡(luò)模型分類
6.1.4 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法
6.1.5 神經(jīng)元網(wǎng)絡(luò)的特點
6.2 神經(jīng)網(wǎng)絡(luò)模型辨識中的常用結(jié)構(gòu)
6.3 辨識中常用的網(wǎng)絡(luò)訓(xùn)練算法
6.3.1 自適應(yīng)控制系統(tǒng)基本結(jié)構(gòu)
6.3.2 辨識中常用的BP網(wǎng)絡(luò)訓(xùn)練算法
6.4 改進的BP網(wǎng)絡(luò)訓(xùn)練算法
6.4.1 基于降低網(wǎng)絡(luò)靈敏度的網(wǎng)絡(luò)改進算法
6.4.2 提高一類神經(jīng)網(wǎng)絡(luò)容錯性的理論和方法
6.4.3 提高神經(jīng)網(wǎng)絡(luò)收斂速度的賦初值算法
6.4.4 其它網(wǎng)絡(luò)訓(xùn)練技巧
6.5 神經(jīng)網(wǎng)絡(luò)辨識的MATLAB仿真舉例
6.5.1 具有噪聲二階系統(tǒng)辨識的MATLAB程序剖析
6.5.2 多維非線性辨識的MATLAB程序剖析
6.6 基于改進遺傳算法的神經(jīng)網(wǎng)絡(luò)及其應(yīng)用
6.6.1 一種適應(yīng)度函數(shù)的改進算法
6 6.2 一種改進的遺傳神經(jīng)解耦方法
6.6.3 遺傳神經(jīng)解耦仿真、實驗及結(jié)論
6.7 模糊神經(jīng)網(wǎng)絡(luò)及其應(yīng)用
6.7.1 模糊神經(jīng)網(wǎng)絡(luò)原理及其應(yīng)用
6.7.2 FNN對非線性多變量系統(tǒng)的MATLAB解耦仿真
6.8 小結(jié)
習(xí)題
第7章 小腦模型神經(jīng)網(wǎng)絡(luò)辨識及其應(yīng)用
7.1 CMA（：網(wǎng)絡(luò)的特點
7.2 改進的cMA（：干式變壓器卷線機跑偏信號諧波分析
7.2.1 CMAC網(wǎng)絡(luò)對非線性函數(shù)的學(xué)習(xí)過程
7.2.2 干式變壓器卷線機跑偏信號諧波分析方法
7.3 改進的CMAC算法及跑偏信號諧波仿真
7.4 改進的CMAC學(xué)習(xí)多維函數(shù)
7.5 小結(jié)
習(xí)題
第8章 非線性動態(tài)系統(tǒng)其它辨識方法
8.1 volterra級數(shù)的表示及其辨識方法
8.1.1 非線性系統(tǒng)VolIterra級數(shù)的表示
8.1.2 volterra級數(shù)的辨識
8.2 復(fù)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)
思考題
光盤附件目錄
參考文獻