系統(tǒng)辨識理論及MATLAB仿真（第2版）

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)辨識的輸入信號
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法求解
3．2 加權最小二乘法
3．2．1 一般最小二乘法的分析與設計
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 遞推最小二乘法
3．3．1 遞推最小二乘法的基本原理
3．3．2 遞推最小二乘法的分析與設計
3．3．3 仿真實例
3．3．4 時不變系統(tǒng)的遞推最小二乘法
3．3．5 時變系統(tǒng)的遞推最小二乘法
3．4 遞推阻尼最小二乘法
3．4．1 遞推阻尼最小二乘法的基本原理
3．4．2 遞推阻尼最小二乘法的分析與設計
3．4．3 仿真實例
3．5 增廣最小二乘法
3．5．1 增廣最小二乘法的基本原理
3．5．2 增廣最小二乘法的分析與設計
3．5．3 仿真實例
3．6 廣義最小二乘法
3．6．1 廣義最小二乘法的基本原理
3．6．2 廣義最小二乘法的設計與分析
3．6．3 仿真實例
3．7 輔助變量最小二乘法
3．7．1 輔助變量最小二乘法的基本原理
3．7．2 輔助變量最小二乘法的設計與分析
3．7．3 仿真實例
3．8 多變量系統(tǒng)的最小二乘法
3．8．1 多變量系統(tǒng)的最小二乘法的基本原理
3．8．2 多變量系統(tǒng)的最小二乘法的分析與設計
3．8．3 仿真實例
思考題與習題3
第4章 極大似然參數(shù)辨識方法及應用
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 遞推極大似然參數(shù)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 一階慣性環(huán)節(jié)加純延遲的傳遞函數(shù)擬合
5．1．2 二階慣性環(huán)節(jié)加純延遲的傳遞函數(shù)擬合
5．1．3 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)傳遞函數(shù)的辨識
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 神經網絡辨識的特點
6．2 BP網絡辨識
6．2．1 BP網絡
6．2．2 BP網絡結構
6．2．3 BP網絡的優(yōu)缺點
6．3 BP網絡逼近
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網絡離線建模
6．5．1 基本原理
6．5．2 仿真實例
6．6 RBF網絡的逼近
6．6．1 RBF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 典型隸屬函數(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模糊模型及仿真實例
7．2．2 基于簡單Sugeno模糊模型的倒立擺模糊控制及仿真實例
7．2．3 基于Sugeno模糊模型的倒立擺模糊控制及仿真實例
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
7．5 模糊RBF網絡的在線逼近
7．5．1 網絡結構
7．5．2 基于模糊RBF網絡的逼近算法
7．5．3 仿真實例
7．6 模糊RBF網絡的數(shù)據(jù)建模
7．6．1 基本原理
7．6．2 仿真實例之一：SISO系統(tǒng)
7．6．3 仿真實例之二：MIMO系統(tǒng)
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
8．1．1 遺傳算法基本操作
8．1．2 遺傳算法的特點
8．1．3 遺傳算法的應用領域
8．1．4 遺傳算法的優(yōu)化設計
8．2 遺傳算法求函數(shù)極大值
8．2．1 二進制編碼遺傳算法求函數(shù)極大值
8．2．2 實數(shù)編碼遺傳算法求函數(shù)極大值
8．3 粒子群算法
8．3．1 粒子群算法的基本原理
8．3．2 粒子群算法的參數(shù)設置
8．3．3 粒子群算法的基本流程
8．4 基于粒子群算法的函數(shù)優(yōu)化
8．5 基于粒子群算法的非線性系統(tǒng)參數(shù)辨識
8．5．1 辨識非線性靜態(tài)模型
8．5．2 辨識非線性動態(tài)模型
8．6 差分進化算法
8．6．1 差分進化算法的基本原理
8．6．2 差分進化算法的基本流程
8．6．3 差分進化算法的參數(shù)設置
8．6．4 基于差分進化算法的函數(shù)優(yōu)化
8．7 基于差分進化算法的非線性系統(tǒng)參數(shù)辨識
8．7．1 辨識非線性靜態(tài)模型
8．7．2 辨識非線性動態(tài)模型
思考題與習題8
第9章 智能辨識算法在機械手和飛行器中的應用
9．1 機械手參數(shù)辨識
9．1．1 系統(tǒng)描述
9．1．2 基于最小二乘法的機械手參數(shù)辨識
9．1．3 基于粒子群算法的機械手參數(shù)辨識
9．2 柔性機械手動力學模型物理參數(shù)粒子群辨識
9．2．1 柔性機械手模型描述
9．2．2 仿真實例
9．3 飛行器縱向模型物理參數(shù)粒子群辨識
9．3．1 問題描述
9．3．2 仿真實例
9．4 VTOL飛行器參數(shù)辨識
9．4．1 VTOL飛行器參數(shù)辨識問題
9．4．2 基于粒子群算法的參數(shù)辨識
9．4．3 基于差分進化算法的VTOL飛行器參數(shù)辨識
9．5 四旋翼飛行器建模與參數(shù)辨識
9．5．1 四旋翼飛行器動力學模型
9．5．2 動力學模型的變換
9．5．3 參數(shù)辨識
9．5．4 基于粒子群算法的參數(shù)辨識
9．5．5 基于差分進化算法的參數(shù)辨識
思考題與習題9
第10章 智能辨識算法在控制系統(tǒng)中的應用
10．1 控制系統(tǒng)的摩擦現(xiàn)象
10．2 基于粒子群算法的控制系統(tǒng)摩擦參數(shù)辨識
10．2．1 系統(tǒng)描述
10．2．2 靜摩擦模型Stribeck曲線的獲取
10．2．3 基于粒子群算法的摩擦參數(shù)辨識
10．2．4 仿真實例
10．3 基于粒子群算法的摩擦模型參數(shù)在線辨識及PD控制
10．3．1 問題描述
10．3．2 仿真實例
思考題與習題10
第11章 微分器的信號提取及參數(shù)辨識
11．1 基于微分器的微分信號提取
11．1．1 微分器的由來
11．1．2 微分器的工程應用
11．1．3 積分鏈式微分器
11．1．4 仿真實例
11．2 基于微分器的差分進化參數(shù)辨識
11．2．1 系統(tǒng)描述
11．2．2 仿真實例
思考題與習題11
第12章 集員辨識理論及應用
12．1 集員辨識的定義及發(fā)展
12．2 集員辨識意義
12．3 集員辨識的數(shù)學描述
12．4 集員辨識主要算法
12．5 基于向量回歸的集員估計
12．5．1 基本原理
12．5．2 離散系統(tǒng)集員辨識
12．5．3 連續(xù)系統(tǒng)集員辨識
思考題與習題12