《系统辨识——多新息辨识理论与方法》是《系统辨识学术专著丛书》的第6分册，是作者在清华大学、江南大学教学和科研创新经验的结品，汇聚了作者及其合作者在多新息辨识理论与方法研究方面的一些最新成果．
本书介绍了线性系统与输入非线性系统的多新息辨识方法，内容包括：多新息随机梯度类辨识方法、多新息最小二乘类辨识方法、变递推间隔多新息辨识方法分解的多新息辨识方法、基于滤波的多新息辨识方法等，分析了一些典型多新息辨识方法的收敛性，本书不仅传授知识，而且还传授科学研究与创新的新思想和新方法．特别是提出了，一系列值得学者们深入研究的辨识课题，为进一步研究指明方向．
样章试读
目录
- 目录
系统辨识学术专著丛书
序
前言
主要符号说明
第1章线性回归系统1
1.1引言1
1.2多新息辨识理论1
1.2.1什么是多新息辨识方法2
1.2.2变递推间隔多新息辨识方法3
1.2.3多新息辨识的重要文献与研究成果3
1.3多新息随机梯度辨识方法5
1.3.1随机梯度辨识算法6
1.3.2多新息随机梯度辨识算法7
1.3.3多新息随机梯度辨识方法的特点11
1.3.4仿真例子12
1.4多新息梯度类辨识方法16
1.4.1多新息投影辨识算法16
1.4.2多新息遗忘梯度算法18
1.4.3多新息广义投影算法19
1.5变递推间隔多新息梯度类辨识方法19
1.5.1变递推间隔多新息投影算法21
1.5.2变递推间隔多新息广义投影算法24
1.5.3变递推间隔多新息随机梯度算法24
1.5.4几个多新息梯度辨识方法25
1.6多新息最小二乘辨识方法29
1.6.1最小二乘辨识算法29
1.6.2递推最小二乘辨识算法33
1.6.3遗忘因子最小二乘辨识算法35
1.6.4多新息最小二乘辨识算法40
1.7多新息最小二乘类辨识方法42
1.7.1有限数据窗递推最小二乘辨识算法43
1.7.2变递推间隔多新息最小二乘辨识算法44
1.7.3几个多新息最小二乘辨识方法46
1.8小结49
1.9思考题52
第2章方程误差类系统56
2.1引言56
2.2受控自回归系统59
2.3受控自回归滑动平均系统60
2.3.1系统描述与辨识模型60
2.3.2增广随机梯度辨识方法61
2.3.3多新息增广随机梯度辨识方法64
2.3.4递推增广最小二乘辨识方法67
2.3.5多新息增广最小二乘辨识方法68
2.4受控自回归自回归系统69
2.4.1系统描述与辨识模型69
2.4.2广义随机梯度算法71
2.4.3多新息广义随机梯度算法71
2.4.4递推广义最小二乘算法72
2.4.5多新息广义最小二乘算法73
2.5受控自回归自回归滑动平均系统73
2.5.1系统描述与辨识模型73
2.5.2广义增广随机梯度算法75
2.5.3多新息广义增广随机梯度算法77
2.5.4递推广义增广最小二乘算法78
2.5.5多新息广义增广最小二乘算法80
2.5.6关于输出预报与模型验证81
2.5.7仿真例子86
2.6CARARMA系统的分解多新息辨识方法94
2.6.1系统描述与分解辨识模型95
2.6.2基于分解的广义增广随机梯度算法96
2.6.3基于分解的多新息广义增广随机梯度算法98
2.6.4基于分解的递推广义增广最小二乘算法100
2.6.5基于分解的多新息广义增广最小二乘算法103
2.7CARARMA系统的滤波多新息辨识方法104
2.7.1系统描述与滤波辨识模型105
2.7.2基于滤波的广义增广随机梯度算法106
2.7.3基于滤波的多新息广义增广随机梯度算法110
2.7.4基于滤波的递推广义增广最小二乘算法112
2.7.5基于滤波的多新息广义增广最小二乘算法115
2.8小结117
2.9思考题117
第3章输出误差类系统122
3.1引言122
3.2输出误差系统124
3.2.1系统描述与辨识模型124
3.2.2辅助模型随机梯度辨识方法125
3.2.3辅助模型多新息随机梯度辨识方法129
3.2.4辅助模型递推最小二乘辨识方法132
3.2.5辅助模型多新息最小二乘辨识方法134
3.3输出误差滑动平均系统136
3.3.1系统描述与辨识模型136
3.3.2辅助模型增广随机梯度辨识方法138
3.3.3辅助模型多新息增广随机梯度辨识方法140
3.3.4辅助模型递推增广最小二乘辨识方法142
3.3.5辅助模型多新息增广最小二乘辨识方法145
3.3.6仿真例子147
3.4输出误差自回归系统157
3.4.1系统描述与辨识模型157
3.4.2辅助模型广义随机梯度算法159
3.4.3辅助模型多新息广义随机梯度算法160
3.4.4辅助模型递推广义最小二乘算法161
3.4.5辅助模型多新息广义最小二乘算法162
3.5BoxJenkins系统164
3.5.1系统描述与辨识模型164
3.5.2辅助模型广义增广随机梯度算法166
3.5.3辅助模型多新息广义增广随机梯度算法169
3.5.4辅助模型递推广义增广最小二乘算法171
3.5.5辅助模型多新息广义增广最小二乘算法172
3.6BoxJenkins系统的分解多新息辨识方法174
3.6.1系统描述与分解辨识模型174
3.6.2基于分解的辅助模型广义增广随机梯度算法175
3.6.3基于分解的辅助模型多新息广义增广随机梯度算法178
3.6.4基于分解的辅助模型递推广义增广最小二乘算法180
3.6.5基于分解的辅助模型多新息广义增广最小二乘算法183
3.70EAR系统的滤波多新息辨识方法184
3.7.1系统描述与滤波辨识模型184
3.7.2基于滤波的辅助模型广义随机梯度算法186
3.7.3基于滤波的辅助模型多新息广义随机梯度算法188
3.7.4基于滤波的辅助模型递推广义最小二乘算法190
3.7.5基于滤波的辅助模型多新息广义最小二乘算法192
3.8BoxJenkins系统的滤波多新息辨识方法194
3.8.1BoxJenkins系统描述与滤波辨识模型194
3.8.2基于滤波的辅助模型广义增广随机梯度算法196
3.8.3基于滤波的辅助模型多新息广义增广随机梯度算法199
3.8.4基于滤波的辅助模型广义增广递推最小二乘算法202
3.8.5基于滤波的辅助模型多新息广义增广最小二乘算法203
3.9小结205
3.10思考题206
第4章输入非线性方程误差系统211
4.1引言211
4.2基于过参数化模型的多新息辨识方法214
4.2.1系统描述与过参数化辨识模型214
4.2.2基于过参数化模型的随机梯度算法216
4.2.3基于过参数化模型的多新息随机梯度算法217
4.2.4基于过参数化模型的递推最小二乘算法219
4.2.5基于过参数化模型的多新息最小二乘算法222
4.3基于过参数化模型的递阶多新息辨识方法224
4.3.1基于过参数化模型的递阶随机梯度算法225
4.3.2基于过参数化模型的递阶多新息随机梯度算法226
4.3.3基于过参数化模型的递阶最小二乘算法228
4.3.4基于过参数化模型的递阶多新息最小二乘算法230
4.4基于关键项分离的多新息辨识方法232
4.4.1基于关键项分离的辨识模型233
4.4.2基于关键项分离的随机梯度算法234
4.4.3基于关键项分离的多新息随机梯度算法235
4.4.4基于关键项分离的递推最小二乘算法237
4.4.5基于关键项分离的多新息最小二乘算法239
4.5基于关键项分离的两阶段多新息辨识方法240
4.5.1基于关键项分离的两阶段随机梯度算法241
4.5.2基于关键项分离的两阶段多新息随机梯度算法243
4.5.3基于关键项分离的两阶段递推最小二乘算法244
4.5.4基于关键项分离的两阶段多新息最小二乘算法246
4.6基于关键项分离的三阶段多新息辨识方法248
4.6.1基于关键项分离的三阶段辨识模型248
4.6.2基于关键项分离的三阶段随机梯度算法249
4.6.3基于关键项分离的三阶段多新息随机梯度算法250
4.6.4基于关键项分离的三阶段递推最小二乘算法252
4.6.5基于关键项分离的三阶段多新息最小二乘算法255
4.6.6算法的计算量比较258
4.7小结258
4.8思考题260
第5章输入非线性方程误差自回归系统263
5.1引言263
5.2基于过参数化模型的多新息辨识方法265
5.2.1系统描述与过参数化辨识模型265
5.2.2基于过参数化模型的广义随机梯度算法268
5.2.3基于过参数化模型的多新息广义随机梯度算法269
5.2.4基于过参数化模型的递推广义最小二乘算法270
5.2.5基于过参数化模型的多新息广义最小二乘算法271
5.3基于关键项分离的多新息辨识方法272
5.3.1基于关键项分离的辨识模型273
5.3.2基于关键项分离的广义随机梯度算法274
5.3.3基于关键项分离的多新息广义随机梯度算法275
5.3.4基于关键项分离的递推广义最小二乘算法276
5.3.5基于关键项分离的多新息广义最小二乘算法277
5.4基于数据滤波的多新息辨识方法(1)278
5.4.1基于滤波的辨识模型278
5.4.2基于滤波的随机梯度算法279
5.4.3基于滤波的多新息随机梯度算法281
5.4.4基于滤波的递推最小二乘算法283
5.4.5基于滤波的多新息最小二乘算法285
5.5基于数据滤波的多新息辨识方法286
5.5.1基于滤波的辨识模型287
5.5.2基于滤波的随机梯度算法287
5.5.3基于滤波的多新息随机梯度算法288
5.5.4基于滤波的递推最小二乘算法290
5.5.5基于滤波的多新息最小二乘算法291
5.6基于数据滤波的多新息辨识方法(3)291
5.6.1基于滤波的辨识模型292
5.6.2基于滤波的随机梯度算法292
5.6.3基于滤波的多新息随机梯度算法293
5.6.4基于滤波的递推最小二乘算法293
5.6.5基于滤波的多新息最小二乘算法294
5.7基于关键项分离的分解多新息辨识方法296
5.7.1基于关键项分离的分解辨识模型296
5.7.2基于关键项分离的分解广义随机梯度算法297
5.7.3基于关键项分离的分解多新息广义随机梯度算法298
5.7.4基于关键项分离的分解递推广义最小二乘算法299
5.7.5基于关键项分离的分解多新息广义最小二乘算法300
5.8基于双线性参数模型分解的多新息辨识方法302
5.8.1基于双线性参数模型分解的辨识模型302
5.8.2基于分解的广义随机梯度算法304
5.8.3基于分解的多新息广义随机梯度算法307
5.8.4基于分解的递推广义最小二乘算法310
5.8.5基于分解的多新息广义最小二乘算法313
5.9小结315
5.10思考题316
第6章多新息辨识方法的性能分析319
6.1引言319
6.2随机梯度辨识方法320
6.2.1随机梯度辨识算法320
6.2.2SG辨识算法的收敛性321
6.3多新息随机梯度辨识方法325
6.3.1多新息随机梯度辨识算法325
6.3.2MISG辨识算法的收敛性326
6.4遗忘因子多新息随机梯度辨识方法328
6.4.1遗忘因子多新息随机梯度算法329
6.4.2FFMISG辨识算法的收敛性329
6.4.3仿真例子336
6.5多新息增广随机梯度辨识方法341
6.5.1多新息增广随机梯度算法341
6.5.2MIESG辨识算法的收敛性342
6.6变递推间隔辅助模型多新息随机梯度辨识方法353
6.6.1问题构成与辨识模型353
6.6.2变递推间隔辅助模型多新息随机梯度算法354
6.6.3VAMMISG辨识算法的收敛性357
6.6.4仿真例子365
6.7多新息最小二乘辨识方法370
6.7.1多新息最小二乘辨识算法370
6.7.2MILS辨识算法的收敛性372
6.7.3变递推间隔MILS辨识算法375
6.7.4仿真例子377
京公网安备 11010102004214号