系統(tǒng)辨識(shí)

定　價(jià)：￥165.00

作　者：	丁鋒著
出版社：	科學(xué)出版社
叢編項(xiàng)：	迭代搜索原理與辨識(shí)方法
標(biāo)　簽：	暫缺

購(gòu)買這本書可以去

ISBN：	9787030584526	出版時(shí)間：	2018-09-01	包裝：	平裝
開本：	16開	頁(yè)數(shù)：	417	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　《系統(tǒng)辨識(shí)——迭代搜索原理與辨識(shí)方法》是《系統(tǒng)辨識(shí)學(xué)術(shù)專著叢書》的第5分冊(cè)，是作者在清華大學(xué)、江南大學(xué)教學(xué)和科研創(chuàng)新經(jīng)驗(yàn)的結(jié)晶，匯集了作者及其合作者在迭代辨識(shí)方面的一些**研究成果?！禕R》本書介紹了線性系統(tǒng)、線性參數(shù)系統(tǒng)、輸入非線性系統(tǒng)的迭代辨識(shí)方法，主要涉及梯度迭代辨識(shí)方法、*小二乘迭代辨識(shí)方法、多新息梯度迭代辨識(shí)方法、多新息*小二乘迭代辨識(shí)方法等。本書不僅傳授知識(shí)，而且還傳授科學(xué)研究與創(chuàng)新的新思想和新方法。特別是提出了一系列值得學(xué)者們深入研究的辨識(shí)課題，為進(jìn)一步研究指明方向。

作者簡(jiǎn)介

暫缺《系統(tǒng)辨識(shí)》作者簡(jiǎn)介

圖書目錄

目錄
系統(tǒng)辨識(shí)學(xué)術(shù)專著叢書
序
前言
主要符號(hào)說明
第1章迭代辨識(shí)導(dǎo)引 1
1.1 引言 1
1.2 最小二乘原理 3
1.2.1 長(zhǎng)度測(cè)量問題 3
1.2.2 線性參數(shù)擬合 4
1.2.3 最小二乘估計(jì) 6
1.3 梯度搜索原理 8
1.3.1 簡(jiǎn)單迭代算法 8
1.3.2 梯度搜索原理 11
1.4 牛頓搜索原理 12
1.4.1 牛頓方法求方程的根 13
1.4.2 牛頓方法求函數(shù)極值 14
1.4.3 牛頓方法的幾何解釋 15
1.4.4 Gauss-Newton 迭代方法 16
1.4.5 Levenberg-Marquardt 方法 17
1.5 線性回歸系統(tǒng)的辨識(shí)方法 18
1.5.1 隨機(jī)梯度辨識(shí)方法 19
1.5.2 遞推梯度辨識(shí)方法 20
1.5.3 最小二乘辨識(shí)算法 23
1.5.4 辨識(shí)算法的計(jì)算量 26
1.5.5 遞推最小二乘算法 27
1.5.6 梯度迭代辨識(shí)算法 29
1.5.7 多新息梯度迭代算法 32
1.5.8 變間隔梯度迭代辨識(shí)方法 34
1.5.9 變間隔多新息梯度迭代算法 38
1.6 有限脈沖響應(yīng)滑動(dòng)平均系統(tǒng)的增廣辨識(shí)方法 41
1.6.1 增廣隨機(jī)梯度辨識(shí)方法 42
1.6.2 遞推增廣梯度辨識(shí)方法 45
1.6.3 遞推增廣最小二乘算法 47
1.6.4 增廣梯度迭代辨識(shí)算法 47
1.6.5 增廣最小二乘迭代方法 57
1.6.6 多新息增廣梯度迭代算法 64
1.6.7 多新息增廣最小二乘迭代算法 67
1.7 小結(jié)與思考題 69
第2章方程誤差類系統(tǒng) 73
2.1 引言 73
2.2 方程誤差系統(tǒng) 75
2.2.1 梯度迭代辨識(shí)算法 76
2.2.2 多新息梯度迭代算法 77
2.3 方程誤差滑動(dòng)平均系統(tǒng) 78
2.3.1 增廣梯度迭代辨識(shí)算法 79
2.3.2 增廣最小二乘迭代算法 81
2.3.3 多新息增廣梯度迭代方法 82
2.3.4 多新息增廣最小二乘迭代算法 84
2.3.5 仿真例子 85
2.4 方程誤差自回歸系統(tǒng) 85
2.4.1 廣義梯度迭代辨識(shí)算法 86
2.4.2 廣義最小二乘迭代算法 87
2.4.3 多新息廣義梯度迭代算法 88
2.4.4 多新息廣義最小二乘迭代算法 89
2.5 方程誤差自回歸滑動(dòng)平均系統(tǒng) 90
2.5.1 廣義增廣梯度迭代辨識(shí)算法 91
2.5.2 廣義增廣最小二乘迭代算法 93
2.5.3 多新息廣義增廣梯度迭代算法 94
2.5.4 多新息廣義增廣最小二乘迭代算法 96
2.6 小結(jié)與思考題 98
第3章輸出誤差類系統(tǒng) 102
3.1 引言 102
3.2 輸出誤差系統(tǒng) 103
3.2.1 輔助模型梯度迭代算法 106
3.2.2 輔助模型最小二乘迭代算法 108
3.2.3 輔助模型多新息梯度迭代算法 109
3.2.4 輔助模型多新息最小二乘迭代算法 111
3.2.5 仿真例子 112
3.3 輸出誤差滑動(dòng)平均系統(tǒng) 127
3.3.1 輔助模型增廣梯度迭代算法 128
3.3.2 輔助模型增廣最小二乘迭代算法 130
3.3.3 輔助模型多新息增廣梯度迭代算法 131
3.3.4 輔助模型多新息增廣最小二乘迭代算法 134
3.4 輸出誤差自回歸系統(tǒng) 135
3.4.1 輔助模型廣義梯度迭代算法 136
3.4.2 輔助模型廣義最小二乘迭代算法 138
3.4.3 輔助模型多新息廣義梯度迭代算法 139
3.4.4 輔助模型多新息廣義最小二乘迭代算法 141
3.5 Box-Jenkins 系統(tǒng) 142
3.5.1 輔助模型廣義增廣梯度迭代算法 144
3.5.2 輔助模型廣義增廣最小二乘迭代算法 147
3.5.3 輔助模型多新息廣義增廣梯度迭代算法 149
3.5.4 輔助模型多新息廣義增廣最小二乘迭代算法 152
3.5.5 仿真例子 154
3.6 小結(jié)與思考題 161
第4章自回歸輸出誤差類系統(tǒng) 166
4.1 引言 166
4.2 自回歸輸出誤差系統(tǒng) 167
4.2.1 AR-OE 系統(tǒng)的辨識(shí)模型 167
4.2.2 AR-OE 系統(tǒng)的輔助模型 168
4.2.3 輔助模型梯度迭代辨識(shí)算法 169
4.2.4 輔助模型最小二乘迭代算法 172
4.2.5 多新息迭代辨識(shí)的輔助模型 173
4.2.6 輔助模型多新息梯度迭代算法 173
4.2.7 輔助模型多新息最小二乘迭代算法 175
4.3 自回歸輸出誤差滑動(dòng)平均系統(tǒng) 176
4.3.1 AR-OEMA 系統(tǒng)的辨識(shí)模型 177
4.3.2 AR-OEMA 系統(tǒng)的輔助模型 178
4.3.3 輔助模型增廣梯度迭代辨識(shí)算法 178
4.3.4 輔助模型增廣最小二乘迭代算法 180
4.3.5 多新息迭代辨識(shí)方法的輔助模型 181
4.3.6 輔助模型多新息增廣梯度迭代算法 182
4.3.7 輔助模型多新息增廣最小二乘迭代算法 183
4.4 自回歸輸出誤差自回歸系統(tǒng) 184
4.4.1 AR-OEAR 系統(tǒng)的辨識(shí)模型 185
4.4.2 AR-OEAR 系統(tǒng)的輔助模型 186
4.4.3 輔助模型廣義梯度迭代辨識(shí)算法 187
4.4.4 輔助模型廣義最小二乘迭代算法 188
4.4.5 多新息迭代辨識(shí)方法的輔助模型 189
4.4.6 輔助模型多新息廣義梯度迭代算法 190
4.4.7 輔助模型多新息廣義最小二乘迭代算法 192
4.5 自回歸輸出誤差自回歸滑動(dòng)平均系統(tǒng) 193
4.5.1 AR-BJ 系統(tǒng)描述與辨識(shí)模型 193
4.5.2 迭代辨識(shí)方法輔助模型的建立 195
4.5.3 輔助模型廣義增廣梯度迭代算法 197
4.5.4 輔助模型廣義增廣最小二乘迭代算法 199
4.5.5 多新息迭代辨識(shí)方法輔助模型的建立 200
4.5.6 輔助模型多新息廣義增廣梯度迭代算法 201
4.5.7 輔助模型多新息廣義增廣最小二乘迭代算法 203
4.6 小結(jié)與思考題 204
第5章線性參數(shù)自回歸輸出誤差類系統(tǒng) 209
5.1 引言 209
5.2 線性參數(shù)自回歸輸出誤差系統(tǒng) 212
5.2.1 LP-AR-OE 系統(tǒng)辨識(shí)模型 213
5.2.2 LP-AR-OE 系統(tǒng)的輔助模型 214
5.2.3 輔助模型梯度迭代辨識(shí)算法 215
5.2.4 輔助模型最小二乘迭代辨識(shí)算法 217
5.2.5 多新息迭代辨識(shí)方法的輔助模型 220
5.2.6 輔助模型多新息梯度迭代辨識(shí)算法 221
5.2.7 輔助模型多新息最小二乘迭代算法 224
5.3 線性參數(shù)自回歸輸出誤差滑動(dòng)平均系統(tǒng) 226
5.3.1 LP-AR-OEMA 系統(tǒng)辨識(shí)模型 226
5.3.2 輔助模型增廣梯度迭代辨識(shí)算法 227
5.3.3 輔助模型增廣最小二乘迭代算法 229
5.3.4 輔助模型多新息增廣梯度迭代算法 231
5.3.5 輔助模型多新息增廣最小二乘迭代算法 233
5.4 線性參數(shù)自回歸輸出誤差自回歸系統(tǒng) 235
5.4.1 LP-AR-OEAR 系統(tǒng)辨識(shí)模型 235
5.4.2 輔助模型廣義梯度迭代辨識(shí)算法 237
5.4.3 輔助模型廣義最小二乘迭代算法 239
5.4.4 輔助模型多新息廣義梯度迭代算法 241
5.4.5 輔助模型多新息廣義最小二乘迭代算法 243
5.5 線性參數(shù)自回歸輸出誤差自回歸滑動(dòng)平均系統(tǒng) 244
5.5.1 LP-AR-OEARMA 系統(tǒng)辨識(shí)模型 245
5.5.2 LP-AR-OEARMA 系統(tǒng)的輔助模型 247
5.5.3 輔助模型廣義增廣梯度迭代辨識(shí)算法 248
5.5.4 輔助模型廣義增廣最小二乘迭代算法 250
5.5.5 多新息廣義增廣迭代辨識(shí)的輔助模型 254
5.5.6 輔助模型多新息廣義增廣梯度迭代算法 255
5.5.7 輔助模型多新息廣義增廣最小二乘迭代算法 258
5.6 小結(jié)與思考題 260
第6章輸入非線性輸出誤差系統(tǒng) 266
6.1 引言 266
6.2 基于過參數(shù)化的輔助模型迭代辨識(shí)方法 269
6.2.1 IN-OE 系統(tǒng)描述與過參數(shù)化辨識(shí)模型 269
6.2.2 基于過參數(shù)化的輔助模型梯度迭代算法 271
6.2.3 基于過參數(shù)化的輔助模型最小二乘迭代算法 273
6.2.4 基于過參數(shù)化的輔助模型多新息梯度迭代算法 275
6.2.5 基于過參數(shù)化的輔助模型多新息最小二乘迭代算法 278
6.3 基于過參數(shù)化的輔助模型遞階迭代辨識(shí)方法 279
6.3.1 IN-OE 系統(tǒng)的過參數(shù)化遞階辨識(shí)模型 280
6.3.2 基于過參數(shù)化的輔助模型遞階梯度迭代算法 280
6.3.3 基于過參數(shù)化的輔助模型遞階最小二乘迭代算法 283
6.3.4 基于過參數(shù)化的輔助模型遞階多新息梯度迭代算法 285
6.3.5 基于過參數(shù)化的輔助模型遞階多新息最小二乘迭代算法 288
6.4 基于關(guān)鍵項(xiàng)分離的輔助模型迭代辨識(shí)方法 290
6.4.1 IN-OE 系統(tǒng)的關(guān)鍵項(xiàng)分離辨識(shí)模型 291
6.4.2 基于關(guān)鍵項(xiàng)分離的輔助模型梯度迭代算法 292
6.4.3 基于關(guān)鍵項(xiàng)分離的輔助模型最小二乘迭代算法 294
6.4.4 基于關(guān)鍵項(xiàng)分離的輔助模型多新息梯度迭代算法 295
6.4.5 基于關(guān)鍵項(xiàng)分離的輔助模型多新息最小二乘迭代算法 298
6.5 基于關(guān)鍵項(xiàng)分離的輔助模型兩階段迭代辨識(shí)方法 299
6.5.1 IN-OE 系統(tǒng)的關(guān)鍵項(xiàng)分離兩階段辨識(shí)模型 299
6.5.2 基于關(guān)鍵項(xiàng)分離的輔助模型兩階段梯度迭代算法 301
6.5.3 基于關(guān)鍵項(xiàng)分離的輔助模型兩階段最小二乘迭代算法 304
6.5.4 基于關(guān)鍵項(xiàng)分離的輔助模型兩階段多新息梯度迭代算法 305
6.5.5 基于關(guān)鍵項(xiàng)分離的輔助模型兩階段多新息最小二乘迭代算法 309
6.6 基于關(guān)鍵項(xiàng)分離的輔助模型三階段迭代辨識(shí)方法 310
6.6.1 IN-OE 系統(tǒng)的關(guān)鍵項(xiàng)分離三階段辨識(shí)模型 310
6.6.2 基于關(guān)鍵項(xiàng)分離的輔助模型三階段梯度迭代算法 311
6.6.3 基于關(guān)鍵項(xiàng)分離的輔助模型三階段最小二乘迭代算法 313
6.6.4 基于關(guān)鍵項(xiàng)分離的輔助模型三階段多新息梯度迭代算法 315
6.6.5 基于關(guān)鍵項(xiàng)分離的輔助模型三階段多新息最小二乘迭代算法 318
6.7 基于雙線性參數(shù)模型分解的輔助模型迭