系統(tǒng)辨識(shí)理論及MATLAB仿真

第1章 緒論
1.1 建立數(shù)學(xué)模型的基本方法
1.2 系統(tǒng)辨識(shí)的定義
1.3 系統(tǒng)辨識(shí)的研究目的
1.4 數(shù)學(xué)模型的分類
1.5 幾種常見的數(shù)學(xué)模型的數(shù)學(xué)表示
1.6 系統(tǒng)辨識(shí)常用的誤差準(zhǔn)則
1.7 系統(tǒng)辨識(shí)的分類
1.7.1 離線辨識(shí)
1.7.2 在線辨識(shí)
1.8 辨識(shí)的內(nèi)容和步驟
1.9 系統(tǒng)辨識(shí)方法
1.10 系統(tǒng)辨識(shí)方法分類
1.10.1 經(jīng)典系統(tǒng)辨識(shí)方法
1.10.2 現(xiàn)代系統(tǒng)辨識(shí)方法
思考題與習(xí)題1
第2章 系統(tǒng)辨識(shí)常用輸入信號(hào)
2.1 系統(tǒng)辨識(shí)對(duì)輸入信號(hào)的要求
2.2 系統(tǒng)辨識(shí)常用的輸入信號(hào)
2.2.1 白噪聲信號(hào)
2.2.2 白噪聲序列的產(chǎn)生
2.3 M序列的產(chǎn)生及其性質(zhì)
思考題與習(xí)題2
第3章 最小二乘參數(shù)辨識(shí)方法及應(yīng)用
3.1 最小二乘參數(shù)辨識(shí)方法
3.1.1 基本原理
3.1.2 利用最小二乘法求取模型參數(shù)
3.1.3 仿真實(shí)例：熱敏電阻和溫度關(guān)系的最小二乘參數(shù)求解
3.2 加權(quán)最小二乘算法
3.2.1 一般最小二乘算法的分析與設(shè)計(jì)
3.2.2 加權(quán)最小二乘法的分析與設(shè)計(jì)
3.2.3 仿真實(shí)例
3.3 遞推最小二乘算法
3.3.1 遞推最小二乘算法的基本原理
3.3.2 遞推最小二乘算法的分析與設(shè)計(jì)
3.3.3 仿真實(shí)例
3.3.4 時(shí)不變系統(tǒng)的遞推最小二乘參數(shù)辨識(shí)方法
3.3.5 時(shí)變系統(tǒng)的遞推最小二乘參數(shù)辨識(shí)方法
3.4 遞推阻尼最小二乘算法
3.4.1 遞推阻尼最小二乘算法的基本原理
3.4.2 遞推阻尼最小二乘算法的分析與設(shè)計(jì)
3.4.3 仿真實(shí)例
3.5 增廣最小二乘算法
3.5.1 增廣最小二乘算法的基本原理
3.5.2 增廣最小二乘算法的分析與設(shè)計(jì)
3.5.3 仿真實(shí)例
3.6 多變量系統(tǒng)的最小二乘辨識(shí)算法
3.6.1 多變量系統(tǒng)的最小二乘辨識(shí)算法的基本原理
3.6.2 多變量系統(tǒng)的最小二乘辨識(shí)算法的分析與設(shè)計(jì)
3.6.3 仿真實(shí)例
思考題與習(xí)題3
第4章 極大似然參數(shù)辨識(shí)方法
4.1 引言
4.2 極大似然參數(shù)估計(jì)的原理及性質(zhì)
4.2.1 極大似然參數(shù)估計(jì)原理
4.2.2 似然函數(shù)的構(gòu)造
4.2.3 極大似然參數(shù)估計(jì)的統(tǒng)計(jì)性質(zhì)
4.3 動(dòng)態(tài)系統(tǒng)參數(shù)的極大似然參數(shù)估計(jì)
4.4 Newton-Raphson法應(yīng)用于極大似然參數(shù)估計(jì)求解
4.5 遞推的極大似然估計(jì)
思考題與習(xí)題4
第5章 傳遞函數(shù)的時(shí)域和頻域辨識(shí)
5.1 傳遞函數(shù)辨識(shí)的時(shí)域法
5.1.1 一階慣性滯后環(huán)節(jié)的辨識(shí)
5.1.2 二階慣性加純遲延的傳遞函數(shù)擬合
5.1.3 用n階慣性環(huán)節(jié)加純延遲的傳遞函數(shù)擬合
5.2 傳遞函數(shù)的頻率辨識(shí)
5.2.1 利用Bode圖特性求傳遞函數(shù)
5.2.2 利用MATLAB工具求系統(tǒng)傳遞函數(shù)
5.3 線性系統(tǒng)開環(huán)傳遞函數(shù)的辨識(shí)
5.3.1 基本原理
5.3.2 仿真實(shí)例
5.4 閉環(huán)系統(tǒng)傳遞函數(shù)的辨識(shí)和前饋控制
5.4.1 閉環(huán)系統(tǒng)辨識(shí)
5.4.2 仿真實(shí)例
5.4.3 零相差前饋控制基本原理
5.4.4 系統(tǒng)相移
5.4.5 仿真實(shí)例
思考題與習(xí)題5
第6章 神經(jīng)網(wǎng)絡(luò)辨識(shí)及其應(yīng)用
6.1 神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)
6.1.1 神經(jīng)網(wǎng)絡(luò)原理
6.1.2 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法
6.1.3 神經(jīng)網(wǎng)絡(luò)的要素及特征
6.1.4 人工神經(jīng)網(wǎng)絡(luò)辨識(shí)的特點(diǎn)
6.2 BP神經(jīng)網(wǎng)絡(luò)辨識(shí)
6.2.1 BP神經(jīng)網(wǎng)絡(luò)
6.2.2 網(wǎng)絡(luò)結(jié)構(gòu)
6.2.3 BP網(wǎng)絡(luò)的優(yōu)缺點(diǎn)
6.3 BP網(wǎng)絡(luò)的逼近
6.3.1 基本原理
6.3.2 仿真實(shí)例
6.4 基于數(shù)據(jù)的BP網(wǎng)絡(luò)離線建模
6.4.1 基本原理
6.4.2 仿真實(shí)例
6.5 基于模型的BP神經(jīng)網(wǎng)絡(luò)離線建模
6.5.1 基本原理
6.5.2 仿真實(shí)例
6.6 RBF神經(jīng)網(wǎng)絡(luò)辨識(shí)及在自校正控制中的應(yīng)用
6.6.1 RBF神經(jīng)網(wǎng)絡(luò)
6.6.2 RBF網(wǎng)絡(luò)的逼近
6.6.3 仿真實(shí)例
6.7 基于未知項(xiàng)在線建模的RBF網(wǎng)絡(luò)自校正控制
6.7.1 神經(jīng)網(wǎng)絡(luò)自校正控制原理
6.7.2 RBF網(wǎng)絡(luò)自校正控制
6.7.3 仿真實(shí)例
6.8 Hopfield神經(jīng)網(wǎng)絡(luò)辨識(shí)
6.8.1 Hopfield網(wǎng)絡(luò)原理
6.8.2 Hopfield網(wǎng)絡(luò)線性系統(tǒng)參數(shù)辨識(shí)
6.8.3 仿真實(shí)例
6.9 RBF網(wǎng)絡(luò)建模應(yīng)用——自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制
6.9.1 問題描述
6.9.2 RBF網(wǎng)絡(luò)逼近原理
6.9.3 仿真實(shí)例
思考題與習(xí)題6
第7章 模糊系統(tǒng)辨識(shí)
7.1 模糊系統(tǒng)的理論基礎(chǔ)
7.1.1 特征函數(shù)和隸屬函數(shù)
7.1.2 模糊算子
7.1.3 隸屬函數(shù)
7.1.4 模糊系統(tǒng)的設(shè)計(jì)
7.2 基于Sugeno模糊模型的建模
7.2.1 Sugeno模糊模型
7.2.2 仿真實(shí)例
7.2.3 基于Sugeno模糊模型的倒立擺模糊控制
7.2.4 仿真實(shí)例
7.2.5 基于Sugeno的倒立擺模糊控制
7.2.6 仿真實(shí)例
7.3 模糊逼近
7.3.1 模糊系統(tǒng)的設(shè)計(jì)
7.3.2 模糊系統(tǒng)的逼近精度
7.3.3 仿真實(shí)例
7.4 模糊系統(tǒng)建模應(yīng)用——自適應(yīng)模糊控制
7.4.1 問題描述
7.4.2 模糊逼近原理
7.4.3 控制算法設(shè)計(jì)與分析
7.4.4 仿真實(shí)例
思考題與習(xí)題7
第8章 智能優(yōu)化算法辨識(shí)
8.1 遺傳算法基本原理
8.2 遺傳算法的特點(diǎn)
8.3 遺傳算法的應(yīng)用領(lǐng)域
8.4 遺傳算法的優(yōu)化設(shè)計(jì)
8.4.1 遺傳算法的構(gòu)成要素
8.4.2 遺傳算法的應(yīng)用步驟
8.5 遺傳算法求函數(shù)極大值
8.5.1 二進(jìn)制編碼遺傳算法求函數(shù)極大值
8.5.2 實(shí)數(shù)編碼遺傳算法求函數(shù)極大值
8.6 基于遺傳算法摩擦模型參數(shù)辨識(shí)的PID控制
8.6.1 問題描述
8.6.2 仿真實(shí)例
8.7 基于遺傳算法的伺服系統(tǒng)靜態(tài)摩擦參數(shù)辨識(shí)
8.7.1 伺服系統(tǒng)的靜態(tài)摩擦模型
8.7.2 靜摩擦模型Stribeck曲線的獲取
8.7.3 基于遺傳算法的靜態(tài)摩擦參數(shù)辨識(shí)
8.7.4 仿真實(shí)例
8.8 基于遺傳算法的機(jī)械手參數(shù)辨識(shí)
8.8.1 系統(tǒng)描述
8.8.2 仿真實(shí)例
8.9 粒子群優(yōu)化算法
8.9.1 粒子群算法基本原理
8.9.2 參數(shù)設(shè)置
8.9.3 算法流程
8.10 基于粒子群算法的函數(shù)優(yōu)化
8.11 基于粒子群算法的機(jī)械手參數(shù)辨識(shí)
8.12 基于粒子群算法的非線性系統(tǒng)參數(shù)辨識(shí)
8.12.1 辨識(shí)非線性靜態(tài)模型
8.12.2 辨識(shí)非線性動(dòng)態(tài)模型
8.12.3 基于粒子群算法的VTOL飛行器參數(shù)辨識(shí)
8.13 差分進(jìn)化算法
8.13.1 標(biāo)準(zhǔn)差分進(jìn)化算法
8.13.2 差分進(jìn)化算法的基本流程
8.13.3 差分進(jìn)化算法的參數(shù)設(shè)置
8.13.4 基于差分進(jìn)化算法的函數(shù)優(yōu)化
8.14 基于差分進(jìn)化算法的非線性系統(tǒng)參數(shù)辨識(shí)
8.14.1 辨識(shí)非線性靜態(tài)模型
8.14.2 辨識(shí)非線性動(dòng)態(tài)模型
8.14.3 基于差分進(jìn)化算法的VTOL飛行器參數(shù)辨識(shí)
8.15 基于微分器的微分信號(hào)提取
8.15.1 微分器的由來
8.1