系統(tǒng)辨識理論及MATLAB仿真

第1章 緒論
1.1 建立數(shù)學模型的基本方法
1.2 系統(tǒng)辨識的定義
1.3 系統(tǒng)辨識的研究目的
1.4 數(shù)學模型的分類
1.5 幾種常見的數(shù)學模型的數(shù)學表示
1.6 系統(tǒng)辨識常用的誤差準則
1.7 系統(tǒng)辨識的分類
1.7.1 離線辨識
1.7.2 在線辨識
1.8 辨識的內容和步驟
1.9 系統(tǒng)辨識方法
1.10 系統(tǒng)辨識方法分類
1.10.1 經典系統(tǒng)辨識方法
1.10.2 現(xiàn)代系統(tǒng)辨識方法
思考題與習題1
第2章 系統(tǒng)辨識常用輸入信號
2.1 系統(tǒng)辨識對輸入信號的要求
2.2 系統(tǒng)辨識常用的輸入信號
2.2.1 白噪聲信號
2.2.2 白噪聲序列的產生
2.3 M序列的產生及其性質
思考題與習題2
第3章 最小二乘參數(shù)辨識方法及應用
3.1 最小二乘參數(shù)辨識方法
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 仿真實例：熱敏電阻和溫度關系的最小二乘參數(shù)求解
3.2 加權最小二乘算法
3.2.1 一般最小二乘算法的分析與設計
3.2.2 加權最小二乘法的分析與設計
3.2.3 仿真實例
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計
3.3.3 仿真實例
3.3.4 時不變系統(tǒng)的遞推最小二乘參數(shù)辨識方法
3.3.5 時變系統(tǒng)的遞推最小二乘參數(shù)辨識方法
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計
3.4.3 仿真實例
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計
3.5.3 仿真實例
3.6 多變量系統(tǒng)的最小二乘辨識算法
3.6.1 多變量系統(tǒng)的最小二乘辨識算法的基本原理
3.6.2 多變量系統(tǒng)的最小二乘辨識算法的分析與設計
3.6.3 仿真實例
思考題與習題3
第4章 極大似然參數(shù)辨識方法
4.1 引言
4.2 極大似然參數(shù)估計的原理及性質
4.2.1 極大似然參數(shù)估計原理
4.2.2 似然函數(shù)的構造
4.2.3 極大似然參數(shù)估計的統(tǒng)計性質
4.3 動態(tài)系統(tǒng)參數(shù)的極大似然參數(shù)估計
4.4 Newton-Raphson法應用于極大似然參數(shù)估計求解
4.5 遞推的極大似然估計
思考題與習題4
第5章 傳遞函數(shù)的時域和頻域辨識
5.1 傳遞函數(shù)辨識的時域法
5.1.1 一階慣性滯后環(huán)節(jié)的辨識
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
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
5.3.1 基本原理
5.3.2 仿真實例
5.4 閉環(huán)系統(tǒng)傳遞函數(shù)的辨識和前饋控制
5.4.1 閉環(huán)系統(tǒng)辨識
5.4.2 仿真實例
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 仿真實例
思考題與習題5
第6章 神經網絡辨識及其應用
6.1 神經網絡理論基礎
6.1.1 神經網絡原理
6.1.2 神經網絡學習算法
6.1.3 神經網絡的要素及特征
6.1.4 人工神經網絡辨識的特點
6.2 BP神經網絡辨識
6.2.1 BP神經網絡
6.2.2 網絡結構
6.2.3 BP網絡的優(yōu)缺點
6.3 BP網絡的逼近
6.3.1 基本原理
6.3.2 仿真實例
6.4 基于數(shù)據(jù)的BP網絡離線建模
6.4.1 基本原理
6.4.2 仿真實例
6.5 基于模型的BP神經網絡離線建模
6.5.1 基本原理
6.5.2 仿真實例
6.6 RBF神經網絡辨識及在自校正控制中的應用
6.6.1 RBF神經網絡
6.6.2 RBF網絡的逼近
6.6.3 仿真實例
6.7 基于未知項在線建模的RBF網絡自校正控制
6.7.1 神經網絡自校正控制原理
6.7.2 RBF網絡自校正控制
6.7.3 仿真實例
6.8 Hopfield神經網絡辨識
6.8.1 Hopfield網絡原理
6.8.2 Hopfield網絡線性系統(tǒng)參數(shù)辨識
6.8.3 仿真實例
6.9 RBF網絡建模應用——自適應神經網絡控制
6.9.1 問題描述
6.9.2 RBF網絡逼近原理
6.9.3 仿真實例
思考題與習題6
第7章 模糊系統(tǒng)辨識
7.1 模糊系統(tǒng)的理論基礎
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)的設計
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 仿真實例
7.2.5 基于Sugeno的倒立擺模糊控制
7.2.6 仿真實例
7.3 模糊逼近
7.3.1 模糊系統(tǒng)的設計
7.3.2 模糊系統(tǒng)的逼近精度
7.3.3 仿真實例
7.4 模糊系統(tǒng)建模應用——自適應模糊控制
7.4.1 問題描述
7.4.2 模糊逼近原理
7.4.3 控制算法設計與分析
7.4.4 仿真實例
思考題與習題7
第8章 智能優(yōu)化算法辨識
8.1 遺傳算法基本原理
8.2 遺傳算法的特點
8.3 遺傳算法的應用領域
8.4 遺傳算法的優(yōu)化設計
8.4.1 遺傳算法的構成要素
8.4.2 遺傳算法的應用步驟
8.5 遺傳算法求函數(shù)極大值
8.5.1 二進制編碼遺傳算法求函數(shù)極大值
8.5.2 實數(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)辨識的PID控制
8.6.1 問題描述
8.6.2 仿真實例
8.7 基于遺傳算法的伺服系統(tǒng)靜態(tài)摩擦參數(shù)辨識
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
8.7.4 仿真實例
8.8 基于遺傳算法的機械手參數(shù)辨識
8.8.1 系統(tǒng)描述
8.8.2 仿真實例
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械手參數(shù)辨識
8.12 基于粒子群算法的非線性系統(tǒng)參數(shù)辨識
8.12.1 辨識非線性靜態(tài)模型
8.12.2 辨識非線性動態(tài)模型
8.12.3 基于粒子群算法的VTOL飛行器參數(shù)辨識
8.13 差分進化算法
8.13.1 標準差分進化算法
8.13.2 差分進化算法的基本流程
8.13.3 差分進化算法的參數(shù)設置
8.13.4 基于差分進化算法的函數(shù)優(yōu)化
8.14 基于差分進化算法的非線性系統(tǒng)參數(shù)辨識
8.14.1 辨識非線性靜態(tài)模型
8.14.2 辨識非線性動態(tài)模型
8.14.3 基于差分進化算法的VTOL飛行器參數(shù)辨識
8.15 基于微分器的微分信號提取
8.15.1 微分器的由來
8.1