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)的輸入信號(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)系的最小二乘法求解
3.2 加權(quán)最小二乘法
3.2.1 一般最小二乘法的分析與設(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(shè)計(jì)
3.3.3 仿真實(shí)例
3.3.4 時(shí)不變系統(tǒng)的遞推最小二乘法
3.3.5 時(shí)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(shè)計(jì)
3.4.3 仿真實(shí)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(shè)計(jì)
3.5.3 仿真實(shí)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(shè)計(jì)與分析
3.6.3 仿真實(shí)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(shè)計(jì)與分析
3.7.3 仿真實(shí)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(shè)計(jì)
3.8.3 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)方法及應(yīng)用
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 遞推極大似然參數(shù)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(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)傳遞函數(shù)的辨識(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 神經(jīng)網(wǎng)絡(luò)辨識(shí)的特點(diǎn)
6.2 BP網(wǎng)絡(luò)辨識(shí)
6.2.1 BP網(wǎng)絡(luò)
6.2.2 BP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)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網(wǎng)絡(luò)的逼近
6.6.1 RBF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 典型隸屬函數(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模糊模型及仿真實(shí)例
7.2.2 基于簡(jiǎn)單Sugeno模糊模型的倒立擺模糊控制及仿真實(shí)例
7.2.3 基于Sugeno模糊模型的倒立擺模糊控制及仿真實(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
7.5 模糊RBF網(wǎng)絡(luò)的在線逼近
7.5.1 網(wǎng)絡(luò)結(jié)構(gòu)
7.5.2 基于模糊RBF網(wǎng)絡(luò)的逼近算法
7.5.3 仿真實(shí)例
7.6 模糊RBF網(wǎng)絡(luò)的數(shù)據(jù)建模
7.6.1 基本原理
7.6.2 仿真實(shí)例之一：SISO系統(tǒng)
7.6.3 仿真實(shí)例之二：MIMO系統(tǒng)
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
8.1.1 遺傳算法基本操作
8.1.2 遺傳算法的特點(diǎn)
8.1.3 遺傳算法的應(yīng)用領(lǐng)域
8.1.4 遺傳算法的優(yōu)化設(shè)計(jì)
8.2 遺傳算法求函數(shù)極大值
8.2.1 二進(jìn)制編碼遺傳算法求函數(shù)極大值
8.2.2 實(shí)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(shè)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(shí)
8.5.1 辨識(shí)非線性靜態(tài)模型
8.5.2 辨識(shí)非線性動(dòng)態(tài)模型
8.6 差分進(jìn)化算法
8.6.1 差分進(jìn)化算法的基本原理
8.6.2 差分進(jìn)化算法的基本流程
8.6.3 差分進(jìn)化算法的參數(shù)設(shè)置
8.6.4 基于差分進(jìn)化算法的函數(shù)優(yōu)化
8.7 基于差分進(jìn)化算法的非線性系統(tǒng)參數(shù)辨識(shí)
8.7.1 辨識(shí)非線性靜態(tài)模型
8.7.2 辨識(shí)非線性動(dòng)態(tài)模型
思考題與習(xí)題8
第9章 智能辨識(shí)算法在機(jī)械手和飛行器中的應(yīng)用
9.1 機(jī)械手參數(shù)辨識(shí)
9.1.1 系統(tǒng)描述
9.1.2 基于最小二乘法的機(jī)械手參數(shù)辨識(shí)
9.1.3 基于粒子群算法的機(jī)械手參數(shù)辨識(shí)
9.2 柔性機(jī)械手動(dòng)力學(xué)模型物理參數(shù)粒子群辨識(shí)
9.2.1 柔性機(jī)械手模型描述
9.2.2 仿真實(shí)例
9.3 飛行器縱向模型物理參數(shù)粒子群辨識(shí)
9.3.1 問題描述
9.3.2 仿真實(shí)例
9.4 VTOL飛行器參數(shù)辨識(shí)
9.4.1 VTOL飛行器參數(shù)辨識(shí)問題
9.4.2 基于粒子群算法的參數(shù)辨識(shí)
9.4.3 基于差分進(jìn)化算法的VTOL飛行器參數(shù)辨識(shí)
9.5 四旋翼飛行器建模與參數(shù)辨識(shí)
9.5.1 四旋翼飛行器動(dòng)力學(xué)模型
9.5.2 動(dòng)力學(xué)模型的變換
9.5.3 參數(shù)辨識(shí)
9.5.4 基于粒子群算法的參數(shù)辨識(shí)
9.5.5 基于差分進(jìn)化算法的參數(shù)辨識(shí)
思考題與習(xí)題9
第10章 智能辨識(shí)算法在控制系統(tǒng)中的應(yīng)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(shí)
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(shí)
10.2.4 仿真實(shí)例
10.3 基于粒子群算法的摩擦模型參數(shù)在線辨識(shí)及PD控制
10.3.1 問題描述
10.3.2 仿真實(shí)例
思考題與習(xí)題10
第11章 微分器的信號(hào)提取及參數(shù)辨識(shí)
11.1 基于微分器的微分信號(hào)提取
11.1.1 微分器的由來
11.1.2 微分器的工程應(yīng)用
11.1.3 積分鏈?zhǔn)轿⒎制?br> 11.1.4 仿真實(shí)例
11.2 基于微分器的差分進(jìn)化參數(shù)辨識(shí)
11.2.1 系統(tǒng)描述
11.2.2 仿真實(shí)例
思考題與習(xí)題11
第12章 集員辨識(shí)理論及應(yīng)用
12.1 集員辨識(shí)的定義及發(fā)展
12.2 集員辨識(shí)意義
12.3 集員辨識(shí)的數(shù)學(xué)描述
12.4 集員辨識(shí)主要算法
12.5 基于向量回歸的集員估計(jì)
12.5.1 基本原理
12.5.2 離散系統(tǒng)集員辨識(shí)
12.5.3 連續(xù)系統(tǒng)集員辨識(shí)
思考題與習(xí)題12