第1章 緒論
1.1 系統(tǒng)與模型
1.2 系統(tǒng)辨識(shí)的基本思想
1.3 系統(tǒng)辨識(shí)的內(nèi)容和步驟
1.4 系統(tǒng)辨識(shí)的基本原則
1.5 系統(tǒng)辨識(shí)的應(yīng)用
1.6 系統(tǒng)辨識(shí)軟件包
1.7 本書(shū)內(nèi)容安排
習(xí)題

第2章 輸入設(shè)計(jì)與數(shù)據(jù)預(yù)處理
2.1 隨機(jī)信號(hào)
2.1.1 隨機(jī)信號(hào)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(hào)
2.2.1 多正弦和函數(shù)信號(hào)
2.2.2 方波信號(hào)
2.2.3 白噪聲
2.2.4 有色噪聲
2.2.5 偽隨機(jī)二位式序列
2.2.6 逆m序列
2.3 輸入信號(hào)與開(kāi)環(huán)可辨識(shí)性
2.3.1 輸入信號(hào)與開(kāi)環(huán)可辨識(shí)性問(wèn)題
2.3.2 2n階持續(xù)激勵(lì)信號(hào)
2.3.3 2n階持續(xù)激勵(lì)條件
2.4 輸入信號(hào)的選擇
2.5 采樣率的選擇
2.6 測(cè)量數(shù)據(jù)預(yù)處理
2.6.1 野值的剔除和補(bǔ)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(shì)
2.7 數(shù)據(jù)相容性檢驗(yàn)
習(xí)題

第3章 系統(tǒng)模型與模型辨識(shí)
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(jī)模型
3.3.1 隨機(jī)系統(tǒng)的差分模型
3.3.2 隨機(jī)系統(tǒng)的狀態(tài)空間模型
3.3.3 隨機(jī)系統(tǒng)的預(yù)測(cè)誤差方程
3.4 數(shù)學(xué)模型之間的等價(jià)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(shí)性
3.6 模型階次的辨識(shí)
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(yàn)法
3.6.4 F檢驗(yàn)法
3.6.5 Akaike準(zhǔn)則法
3.6.6 預(yù)報(bào)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(cè)
3.7.1 一步超前預(yù)測(cè)
3.7.2 n步超前預(yù)測(cè)
3.8 辨識(shí)精度
3.8.1 參數(shù)辨識(shí)準(zhǔn)度評(píng)價(jià)方法
3.8.2 參數(shù)置信區(qū)間的估計(jì)
3.9 模型檢驗(yàn)
習(xí)題

第4章 非參數(shù)模型辨識(shí)方法
4.1 相關(guān)分析法
4.1.1 頻率響應(yīng)的辨識(shí)
4.1.2 脈沖響應(yīng)的辨識(shí)
4.2 譜分析法
4.2.1 周期圖法
4.2.2 估計(jì)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(shí)最優(yōu)化方法
5.1 參數(shù)估計(jì)的梯度校正法
5.1.1 隨機(jī)逼近法
5.1.2 隨機(jī)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(shí)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(shí)
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(jì)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(shí)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(jí)最小二乘法
6.6 單輸入單輸出系統(tǒng)一般模型辨識(shí)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(shí)在故障檢測(cè)中的應(yīng)用
6.7.1 故障檢測(cè)方法
6.7.2 在線故障檢測(cè)方法
習(xí)題

第7章 其他參數(shù)辨識(shí)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(bào)誤差法
7.3 基于卡爾曼濾波器的多模參數(shù)辨識(shí)
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(shí)算法
7.3.3 “移動(dòng)”卡爾曼濾波器組多模參數(shù)辨識(shí)
7.4 基于系統(tǒng)辨識(shí)的自適應(yīng)預(yù)報(bào)
7.4.1 間接法
7.4.2 直接法
7.4.3 多層遞階預(yù)報(bào)方法
習(xí)題

第8章 多變量線性系統(tǒng)辨識(shí)
8.1 狀態(tài)方程的規(guī)范形
8.1.1 代數(shù)等價(jià)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(shí)
第10章 神經(jīng)網(wǎng)絡(luò)模型的辯識(shí)
第11章 模糊系統(tǒng)的模型辯識(shí)
第12章 面向控制的魯棒辯識(shí)
第13章 系統(tǒng)辯識(shí)在飛行空口說(shuō)白話試驗(yàn)中的應(yīng)用
第14章 基于Matlab的系統(tǒng)辯識(shí)實(shí)例
附錄
參考文獻(xiàn)