系統建模與辨識(簡體書)

本書比較全面、系統地介紹目前在不同領域中常用的有效建模與辨識方法。主要內容包括：線性系統的辨識，多變量線性系統的辨識，線性系統的非參數表示和辨識，非線性系統的辨識，時間序列建模，房室模型（多用于醫學、生物工程中）的辨識，神經網絡模型的辨識，模糊系統的建模與辨識，遺傳算法及其在辨識中的應用，辨識的實施等。各種方法都給出具體的計算步驟或框圖，并結合實例或仿真例子給予說明，盡量使讀者易學會用。 本書為天津市高校“十五”規劃教材，可作為高等學校自動化、系統工程、經濟管理、應用數學等專業的高年級本科生和研究生的教材或參考書，也可作為有關科技工作者、工程技術和管理人員的參考書。

第1章 引論(1)
1.1 建模與系統辨識概述
1.1.1 系統辨識研究的對象
1.1.2 系統辨識
1.1.3 系統辨識的目的
1.1.4 辨識中的先驗知識
1.1.5 先驗知識的獲得
1.1.6 系統辨識的基本步驟
1.2 數學模型
1.2.1 概述
1.2.2 線性系統的4種數學模型
1.3 本書的指導思想和布局
第2章 線性靜態模型的辨識(12)
2．1 問題的提出
2．2 最小二乘法（LS）
2.2.1 最小二乘估計
2.2.2 最小二乘估計的性質
2.2.3 逐步回歸方法
2.3 病態方程的求解方法
2.3.1 病態對參數估計的影響
2.3.2 條件數
2.3.3 病態方程的求解方法
2.4 模型參數的最大似然估計（ML）
2.4.1 最大似然準則
2.4.2 最大似然估計
習題
第3章 離散線性動態模型的最小二乘估計(27)
3．1 問題的提法及一次完成最小二乘估計
3.2 最小二乘估計的遞推算法(RLS)
3.2.1 遞推最小二乘法
3.2.2 初始值的選擇
3.2.3 計算步驟及舉例
3.3 時變系統的實時算法
3.3.1 漸消記憶（指數窗）的遞推算法
3.3.2 限定記憶（固定窗）的遞推算法
3.3.3 變遺忘因子的實時算法
3.4 遞推平方根算法
3.5 最大似然估計(ML)
習題
第4章 相關(有色)噪聲情形的辨識算法(42)
4.1 輔助變量法
4.2 增廣最小二乘法 (ELS)
4.2.1 增廣最小二乘法
4.2.2 改進的增廣最小二乘法
4.3 最大似然法（ML）
4.4 閉環系統的辨識
4.4.1 問題的提出
4.4.2 可辨識性
4.4.3 閉環條件下的最小二乘估計
習題
第5章 模型階的辨識
5.1 單變量線性系統階的辨識
5.1.1 損失函數檢驗法
5.1.2 F檢驗法
5.1.3 赤池信息準則（AIC準則）
5.2 階與參數同時辨識的遞推算法
5.2.1 辨識階次的基本思想和方法
5.2.2 階的遞推辨識算法
5.2.3 幾點說明
5.3 仿真研究
5.3.1 辨識方法的仿真研究
5.3.2 對模型適用性的仿真研究
5.3.3 控制系統設計中的計算機仿真研究
習題
第6章 多變量線性系統的辨識
6.1 不變量、適宜選擇路線及規范形
6.1.1 代數等價系統
6.1.2 適宜選擇路線與不變量
6.1.3 適宜選擇路線與規范形
6.2 輸入/輸出方程
6.2.1 輸入/輸出方程一般形式
6.2.2 PCF規范形對應的輸入/輸出方程
6.3 PCF規范形的辨識
6.3.1 結構確定及參數辨識
6.3.2 *和*的實現算法
習題
第7章 線性系統的非參數表示和辨識
7.1 線性系統的非參數表示
7.1.1 脈沖響應函數
7.1.2 Markov參數（Hankel模型）
7.2 估計脈沖響應函數的相關方法
7.2.1 相關方法的基本原理
7.2.2 偽隨機二位式信號（M序列）
7.2.3 用M序列做輸入信號時脈沖響應函數的估計
7.2.4 估計h(t)的具體步驟與實施
習題
第8章 非線性系統辨識
8.1 引言
8.2 單純形搜索法
8.2.1 問題的提法
8.2.2 單純形搜索法
8.3 迭代算法的基本原理
8.3.1 迭代算法的一般步驟
8.3.2 可接受方向
8.4 牛頓—拉夫森算法
8.5 麥夸特方法
8.6 數據處理的分組方法(GMDH)
8.6.1 背景
8.6.2 一般模型結構及基本原則
8.6.3 基本的GMDH方法
8.6.4 變量的預選擇
8.6.5 數據的分組和部分實現檢驗準則
8.6.6 選擇層——中間變量的選擇
8.6.7 部分實現的形式
8.6.8 GMDH方法總結及應用
8.7 NARMAX 模型的辨識
8.7.1 引言
8.7.2 非線性動態系統的描述
8.7.3 “新息—貢獻”準則與矩陣求逆定理
8.7.4 NARMAX模型的遞推辨識算法
8.7.5 小結
習題
第9章 房室模型的辨識
9.1 問題的提出
9.2 房室模型的建模
9.2.1 房室
9.2.2 物質轉移速度
9.2.3 房室模型
9.2.4 房室模型分類
9.2.5 房室模型建模示例
9.3 參數估計
9.3.1 問題
9.3.2 參數估計算法
9.3.3 參數估計中遇到的幾個問題
9.4 可辨識性問題
9.4.1 問題
9.4.2 一房室模型
9.4.3 二房室模型
9.4.4 三房室模型
9.4.5 多房室模型的可辨識性問題
9.5 應用實例
習題
第10章 時間序列的建模與辨識
10.1 引言
10.1.1 模型形式
10.1.2 格林函數
10.1.3 穩定性
10.2 模型的參數估計
10.2.1 AR（n）模型的參數估計
10.2.2 ARMA(n,m)模型的參數估計
10.2.3 初值的求法
10.3 模型階的確定
10.4 確定性的趨向和季節性:非平穩序列
習題
第11章 神經網絡模型
11.1 引言
11．2 神經組織的基本特征和人工神經元
11．2．1 神經組織的基本特征
11．2．2 人工神經元的MP模型
11.3 多層前饋神經網絡模型
11.3.1 前饋神經網絡模型的結構
11.3.2 確定網絡模型權值問題的數學描述
11.3.3 BP算法
11.3.4 神經網絡的幾個有關概念
11.4 神經網絡在辨識中的應用
11.5 徑向基函數網絡及其應用
11.5.1 徑向基函數網絡的結構
11.5.2 RBF網絡的辨識
11.5.3 用RBF網絡建模實例
習題
第12章 模糊建模與辨識
12．1 模糊集合的基本概念
12.1.1 模糊集合及其表示
12.1.2 模糊集的運算
12.1.3 常用的隸屬函數
12.1.4 模糊邏輯關系的格式
12.1.5 推理算法
12.2 基于TS模型的模糊辨識
12.2.1 結論參數的辨識
12.2.2 前提參數的辨識
12.2.3 前提變量的選擇
12.3 應用實例
12.4 小結
習題
第13章 遺傳算法及應用簡介
13.1 引言
13.1.1 遺傳算法的基本思想
13.1.2 基本遺傳算法的工作步驟
13.2 遺傳算法的計算機實現
13.3 遺傳算法的工作過程舉例
13.4 實數編碼遺傳算法
13.4.1 實數編碼遺傳算法及其在神經網絡訓練中的應用
13.4.2 結果與討論
13.5 關于遺傳算法的幾點說明
13.5.1 模式定理
13.5.2 GA算法的收斂性分析
13.5.3 GA是一種優化算法的方法論
習題
第14章 辨識的實施
14.1 辨識的實驗設計
14.1.1 問題的提出
14.1.2 設計準則
14.1.3 輸入信號的設計
14.1.4 采樣區間的設計
14.2 模型適用性檢驗
14.2.1 通過先驗知識的檢驗
14.2.2 通過數據的檢驗
14.2.3 通過對預測誤差序列的檢驗
14.2.4 應用實例
習題
附錄A 矩陣運算的兩個結果
附錄B 矩陣微分的幾個結果
附錄C 偽隨機二位式序列
附錄D 正態偽隨機數
參考文獻