系統辨識-多新息辨識理論與方法（簡體書）

《系統辨識:多新息辨識理論與方法》介紹了線性系統與輸入非線性系統的多新息辨識方法，內容包括：多新息隨機梯度類辨識方法、多新息最小二乘類辨識方法、變遞推間隔多新息辨識方法、基于分解的多新息辨識方法、基于濾波的多新息辨識方法等，分析了一些典型多新息辨識方法的收斂性。《系統辨識:多新息辨識理論與方法》不僅傳授知識，而且還傳授科學研究與創新的新思想和新方法。特別是提出了一系列值得學者們深入研究的辨識課題，為進一步研究指明方向。

丁鋒，男，湖北廣水人（應山縣人），清華大學博士、university of Alberta博士后、教授、博士生導師。教育與工作經歷如下：2004年受聘為江南大學“太湖學者”特聘教授，博士生導師、學科帶頭人；1980年9月-1984年7月湖北工業大學學士學位；1984年7月-1988年8月湖北製藥廠變配電技術員；1988年9月-2002年6月清華大學碩士學位、博士學位（優秀博士學位論文）、講師、副教授，系統工程研究所副所長；2002年7月-2005年1O月加拿大阿爾伯塔大學（university of Alberta，埃德蒙頓）博士后、研究員；2006年3-5月香港科技大學研究員；2006年12月-2007年2月、2008年5-12月加拿大卡爾頓大學（Carleton University，渥太華）訪問教授；2009年1-10月加拿大瑞爾森大學（Ryerson university，多倫多）研究員（包括國家公派訪問學者半年）。

《系統辨識:多新息辨識理論與方法》是《系統辨識學術專著叢書》的第6分冊，是作者在清華大學、江南大學教學和科研創新經驗的結晶，匯聚了作者及其合作者在多新息辨識理論與方法研究方面的一些最新成果。書中Matlab仿真例子源程序為初學者快速上手提供了學習藍本。《系統辨識:多新息辨識理論與方法》可作為大學本科高年級學生、碩士和博士研究生“系統辨識”教材及有志者攀登科學高峰的科研用書，也可供自動控制、電氣自動化類及相關電類專業高校教師和科技人員選用。

系統辨識學術專著叢書
序
前言
主要符號說明
第1章線性回歸系統
1.1引言
1.2多新息辨識理論
1.2.1什麼是多新息辨識方法
1.2.2變遞推間隔多新息辨識方法
1.2.3多新息辨識的重要文獻與研究成果
1.3多新息隨機梯度辨識方法
1.3.1隨機梯度辨識算法
1.3.2多新息隨機梯度辨識算法
1.3.3多新息隨機梯度辨識方法的特點
1.3.4仿真例子
1.4多新息梯度類辨識方法
1.4.1多新息投影辨識算法
1.4.2多新息遺忘梯度算法
1.4.3多新息廣義投影算法
1.5變遞推間隔多新息梯度類辨識方法
1.5.1變遞推間隔多新息投影算法
1.5.2變遞推間隔多新息廣義投影算法
1.5.3變遞推間隔多新息隨機梯度算法
1.5.4幾個多新息梯度辨識方法
1.6多新息最小二乘辨識方法
1.6.1最小二乘辨識算法
1.6.2遞推最小二乘辨識算法
1.6.3遺忘因子最小二乘辨識算法
1.6.4多新息最小二乘辨識算法
1.7多新息最小二乘類辨識方法
1.7.1有限數據窗遞推最小二乘辨識算法
1.7.2變遞推間隔多新息最小二乘辨識算法
1.7.3幾個多新息最小二乘辨識方法
1.8小結
1.9思考題
第2章方程誤差類系統
2.1引言
2.2受控自回歸系統
2.3受控自回歸滑動平均系統
2.3.1系統描述與辨識模型
2.3.2增廣隨機梯度辨識方法
2.3.3多新息增廣隨機梯度辨識方法
2.3.4遞推增廣最小二乘辨識方法
2.3.5多新息增廣最小二乘辨識方法
2.4受控自回歸自回歸系統
2.4.1系統描述與辨識模型
2.4.2廣義隨機梯度算法
2.4.3多新息廣義隨機梯度算法
2.4.4遞推廣義最小二乘算法
2.4.5多新息廣義最小二乘算法
2.5受控自回歸自回歸滑動平均系統
2.5.1系統描述與辨識模型
2.5.2廣義增廣隨機梯度算法
2.5.3多新息廣義增廣隨機梯度算法
2.5.4遞推廣義增廣最小二乘算法
2.5.5多新息廣義增廣最小二乘算法
2.5.6關于輸出預報與模型驗證
2.5.7仿真例子
2.6CARARMA系統的分解多新息辨識方法
2.6.1系統描述與分解辨識模型
2.6.2基于分解的廣義增廣隨機梯度算法
2.6.3基于分解的多新息廣義增廣隨機梯度算法
2.6.4基于分解的遞推廣義增廣最小二乘算法
2.6.5基于分解的多新息廣義增廣最小二乘算法
2.7CARARMA系統的濾波多新息辨識方法
2.7.1系統描述與濾波辨識模型
2.7.2基于濾波的廣義增廣隨機梯度算法
2.7.3基于濾波的多新息廣義增廣隨機梯度算法
2.7.4基于濾波的遞推廣義增廣最小二乘算法
2.7.5基于濾波的多新息廣義增廣最小二乘算法
2.8小結
2.9思考題
第3章輸出誤差類系統
3.1引言
3.2輸出誤差系統
3.2.1系統描述與辨識模型
3.2.2輔助模型隨機梯度辨識方法
3.2.3輔助模型多新息隨機梯度辨識方法
3.2.4輔助模型遞推最小二乘辨識方法
3.2.5輔助模型多新息最小二乘辨識方法
3.3輸出誤差滑動平均系統
3.3.1系統描述與辨識模型
3.3.2輔助模型增廣隨機梯度辨識方法
3.3.3輔助模型多新息增廣隨機梯度辨識方法
3.3.4輔助模型遞推增廣最小二乘辨識方法
3.3.5輔助模型多新息增廣最小二乘辨識方法
3.3.6仿真例子
3.4輸出誤差自回歸系統
3.4.1系統描述與辨識模型
3.4.2輔助模型廣義隨機梯度算法
3.4.3輔助模型多新息廣義隨機梯度算法
3.4.4輔助模型遞推廣義最小二乘算法
3.4.5輔助模型多新息廣義最小二乘算法
3.5B0x—Jenkins系統
3.5.1系統描述與辨識模型
3.5.2輔助模型廣義增廣隨機梯度算法
3.5.3輔助模型多新息廣義增廣隨機梯度算法
3.5.4輔助模型遞推廣義增廣最小二乘算法
3.5.5輔助模型多新息廣義增廣最小二乘算法
3.6Box—Jenkins系統的分解多新息辨識方法
3.6.1系統描述與分解辨識模型
3.6.2基于分解的輔助模型廣義增廣隨機梯度算法
3.6.3基于分解的輔助模型多新息廣義增廣隨機梯度算法
3.6.4基于分解的輔助模型遞推廣義增廣最小二乘算法
3.6.5基于分解的輔助模型多新息廣義增廣最小二乘算法
3.7OEAR系統的濾波多新息辨識方法
3.7.1系統描述與濾波辨識模型
3.7.2基于濾波的輔助模型廣義隨機梯度算法
3.7.3基于濾波的輔助模型多新息廣義隨機梯度算法
3.7.4基于濾波的輔助模型遞推廣義最小二乘算法
3.7.5基于濾波的輔助模型多新息廣義最小二乘算法
3.8BOx—Jenkins系統的濾波多新息辨識方法
3.8.1Box—Jenkins系統描述與濾波辨識模型
3.8.2基于濾波的輔助模型廣義增廣隨機梯度算法
3.8.3基于濾波的輔助模型多新息廣義增廣隨機梯度算法
3.8.4基于濾波的輔助模型廣義增廣遞推最小二乘算法
3.8.5基于濾波的輔助模型多新息廣義增廣最小二乘算法
3.9小結
3.10思考題
第4章輸入非線性方程誤差系統
4.1引言
4.2基于過參數化模型的多新息辨識方法
4.2.1系統描述與過參數化辨識模型
4.2.2基于過參數化模型的隨機梯度算法
4.2.3基于過參數化模型的多新息隨機梯度算法
4.2.4基于過參數化模型的遞推最小二乘算法
4.2.5基于過參數化模型的多新息最小二乘算法
4.3基于過參數化模型的遞階多新息辨識方法
4.3.1基于過參數化模型的遞階隨機梯度算法
4.3.2基于過參數化模型的遞階多新息隨機梯度算法
4.3.3基于過參數化模型的遞階最小二乘算法
4.3.4基于過參數化模型的遞階多新息最小二乘算法
4.4基于關鍵項分離的多新息辨識方法
4.4.1基于關鍵項分離的辨識模型
4.4.2基于關鍵項分離的隨機梯度算法
4.4.3基于關鍵項分離的多新息隨機梯度算法
4.4.4基于關鍵項分離的遞推最小二乘算法
4.4.5基于關鍵項分離的多新息最小二乘算法
4.5基于關鍵項分離的兩階段多新息辨識方法
4.5.1基于關鍵項分離的兩階段隨機梯度算法
4.5.2基于關鍵項分離的兩階段多新息隨機梯度算法
4.5.3基于關鍵項分離的兩階段遞推最小二乘算法
4.5.4基于關鍵項分離的兩階段多新息最小二乘算法
4.6基于關鍵項分離的三階段多新息辨識方法
4.6.1基于關鍵項分離的三階段辨識模型
4.6.2基于關鍵項分離的三階段隨機梯度算法
4.6.3基于關鍵項分離的三階段多新息隨機梯度算法
4.6.4基于關鍵項分離的三階段遞推最小二乘算法
4.6.5基于關鍵項分離的三階段多新息最小二乘算法
4.6.6算法的計算量比較
4.7小結
4.8思考題
第5章輸入非線性方程誤差自回歸系統
5.1引言
5.2基于過參數化模型的多新息辨識方法
5.2.1系統描述與過參數化辨識模型
5.2.2基于過參數化模型的廣義隨機梯度算法
5.2.3基于過參數化模型的多新息廣義隨機梯度算法
5.2.4基于過參數化模型的遞推廣義最小二乘算法
5.2.5基于過參數化模型的多新息廣義最小二乘算法
5.3基于關鍵項分離的多新息辨識方法
5.3.1基于關鍵項分離的辨識模型
5.3.2基于關鍵項分離的廣義隨機梯度算法
5.3.3基于關鍵項分離的多新息廣義隨機梯度算法
5.3.4基于關鍵項分離的遞推廣義最小二乘算法
5.3.5基于關鍵項分離的多新息廣義最小二乘算法
5.4基于數據濾波的多新息辨識方法（1）
5.4.1基于濾波的辨識模型
5.4.2基于濾波的隨機梯度算法
5.4.3基于濾波的多新息隨機梯度算法
5.4.4基于濾波的遞推最小二乘算法
5.4.5基于濾波的多新息最小二乘算法
5.5基于數據濾波的多新息辨識方法（2）
5.5.1基于濾波的辨識模型
5.5.2基于濾波的隨機梯度算法
5.5.3基于濾波的多新息隨機梯度算法
5.5.4基于濾波的遞推最小二乘算法
5.5.5基于濾波的多新息最小二乘算法
5.6基于數據濾波的多新息辨識方法（3）
5.6.1基于濾波的辨識模型
5.6.2基于濾波的隨機梯度算法
5.6.3基于濾波的多新息隨機梯度算法
5.6.4基于濾波的遞推最小二乘算法
5.6.5基于濾波的多新息最小二乘算法
5.7基于關鍵項分離的分解多新息辨識方法
5.7.1基于關鍵項分離的分解辨識模型
5.7.2基于關鍵項分離的分解廣義隨機梯度算法
5.7.3基于關鍵項分離的分解多新息廣義隨機梯度算法
5.7.4基于關鍵項分離的分解遞推廣義最小二乘算法
5.7.5基于關鍵項分離的分解多新息廣義最小二乘算法
5.8基于雙線性參數模型分解的多新息辨識方法
5.8.1基于雙線性參數模型分解的辨識模型
5.8.2基于分解的廣義隨機梯度算法
5.8.3基于分解的多新息廣義隨機梯度算法
5.8.4基于分解的遞推廣義最小二乘算法
5.8與基于分解的多新息廣義最小二乘算法
5.9小結
5.10思考題
第6章多新息辨識方法的性能分析
6.1引言
6.2隨機梯度辨識方法
6.2.1隨機梯度辨識算法
6.2.2SG辨識算法的收斂性
6.3多新息隨機梯度辨識方法
6.3.1多新息隨機梯度辨識算法
6.3.2MISG辨識算法的收斂性
6.4遺忘因子多新息隨機梯度辨識方法
6.4.1遺忘因子多新息隨機梯度算法
6.4.2FF—MISG辨識算法的收斂性
6.4.3仿真例子
6.5多新息增廣隨機梯度辨識方法
6.5.1多新息增廣隨機梯度算法
6.5.2MI—ESG辨識算法的收斂性
6.6變遞推間隔輔助模型多新息隨機梯度辨識方法
6.6.1問題構成與辨識模型
6.6.2變遞推間隔輔助模型多新息隨機梯度算法
6.6.3V—AM—MISG辨識算法的收斂性
66.4仿真例子
6.7多新息最小二乘辨識方法
6.7.1多新息最小二乘辨識算法
6.7.2MILS辨識算法的收斂性
6.7.3變遞推間隔MILS辨識算法
6.7.4仿真例子
6.8小結
6.9思考題
參考文獻
索引
后記