《系統辨識――辨識方法性能分析》是2014年6月1日科學出版社出版的圖書，作者是丁鋒。
基本介紹
- 中文名：系統辨識――辨識方法性能分析
- 作者：丁鋒
- ISBN：9787030412386
- 頁數：524
- 定價：135.00
- 出版社：科學出版社
- 出版時間：2014年6月1日
- 裝幀：平裝
- 開本：16
- 叢書名：系統辨識學術專著叢書
內容簡介,圖書目錄,
內容簡介
《系系統辨識學術專著叢書（第3分冊）·系統辨識：辨識方法性能分析》是作者在清華大學、江南大學教學和科研創新經驗的結晶，匯聚了作者及其合作者在系統辨識理論研究方面的一些最新成果。
《系統辨識學術專著叢書（第3分冊）·系統辨識：辨識方法性能分析》論述了一些典型系統辨識方法及其收斂性證明。全書共6章，內容包括：隨機過程與鞅理論、最小二乘類辨識方法、隨機梯度類辨識方法、最小均方類辨識方法、多變數系統辨識方法的收斂性，以及時變系統辨識方法的有界收斂性。本書不僅傳授知識，而且還傳授科學研究與創新的新思想和新方法。特別是書中提出了一系列值得學者們深入研究的辨識課題，為進一步研究指明方向。
《系統辨識學術專著叢書（第3分冊）·系統辨識：辨識方法性能分析》Matlab仿真例子源程式為初學者快速上手提供了學習藍本。《系統辨識學術專著叢書（第3分冊）·系統辨識：辨識方法性能分析》可作為大學高年級本科生、碩士和博士研究生“系統辨識”教材及有志者攀登科學高峰的科研用書，也可供自動控制、電氣自動化類及相關電類專業高校教師和科技人員選用。
圖書目錄
系統辨識學術專著叢書
序
前言
主要符號說明
第1章 隨機過程與鞅理論
1.1 引言
1.2 隨機過程的數學描述
1.2.1 隨機過程的概念
1.2.2 隨機過程的數字特徵
1.2.3 寬平穩過程和各態遍歷性
1.2.4 隨機過程的譜分解及譜密度函式
1.3 激勵信號與激勵條件
1.3.1 激勵信號
1.3.2 白噪聲及其產生方法
1.3.3 基本激勵條件
1.4 線性系統在隨機信號輸入下的回響
1.4.1 譜密度函式和相關函式
1.4.2 互譜密度函式與互相關函式
1.5 系統的噪信比及其計算
1.5.1 單輸入單輸出系統
1.5.2 多輸入多輸出系統
1.6 參數估計性質及收斂性
1.6.1 參數估計的統計性質
1.6.2 Cram~rRao不等式
1.6.3 實用有界收斂性
1.7 隨機鞅理論與收斂定理
1.7.1 鞅的基本知識
1.7.2 鞅收斂定理
1.7.3 鞅超收斂定理
1.8 小結
1.9 思考題
第2章 最小二乘類辨識方法及其收斂性
2.1 引言
2.2 最小二乘參數估計及其性質
2.2.1 最小二乘估計
2.2.2 最小二乘估計的性質
2.2.3 噪聲方差估計定理
2.3 遞推最小二乘辨識方法
2.3.1 CAR模型的最小二乘估計
2.3.2 遞推最小二乘算法
2.3.3 遞推最小二乘算法的收斂性
2.3.4 RLS算法和基本引理
2.3.5 RLS算法的收斂定理
2.4 遞推增廣最小二乘辨識方法
2.4.1遞推增廣最小二乘算法
2.4.2 R-RELS算法的收斂性
2.4.3 I-RELS算法的收斂性
2.5 遞推廣義增廣最小二乘辨識方法
2.5.1 遞推廣義最小二乘算法
2.5.2 遞推廣義增廣最小二乘算法
2.5.3 RGELS算法的收斂性
2.6 輔助模型遞推最小二乘辨識方法
2.6.1 輔助模型遞推最小二乘算法
2.6.2 AM-RLS算法的收斂性
2.7 輔助模型遞推廣義增廣最小二乘辨識方法
2.7.1 輔助模型遞推增廣最小二乘算法
2.7.2 輔助模型遞推廣義最小二乘算法
2.7.3 輔助模型遞推廣義增廣最小二乘算法
2.7.4 AM-RGELS算法的收斂性
2.8 遞階最小二乘辨識方法
2.8.1 遞階最小二乘辨識算法
2.8.2 HLS算法的收斂性
2.9 小結
2.10思考題
第3章 最小二乘類辨識方法有界收斂性
3.1 引言
3.2 遞推最小二乘辨識方法
3.2.1 遞推最小二乘算法
3.2.2 MRLS參數估計誤差界
3.2.3 仿真試驗
3.3 遺忘因子遞推最小二乘辨識方法
3.3.1 遺忘因子遞推最小二乘算法
3.3.2 FF-RLS算法參數估計誤差界
3.3.3 仿真實驗
3.4 輔助變數遞推最小二乘辨識方法
3.4.1 輔助變數最小二乘估計
3.4.2 輔助變數遞推最小二乘算法
3.4.3 IV-RLS算法參數估計誤差界
3.5 衰減激勵下遞推最小二乘辨識算法誤差界
3.5.1 RLS算法與基本引理
3.5.2 RLS算法參數估計誤差上界
3.6 衰減激勵下遞階最小二乘辨識算法誤差界
3.6.1 HLS算法與基本引理
3.6.2 HLS算法參數估計誤差上界
3.7 時變系統遺忘因子最小二乘辨識方法
3.7.1 時變系統的遞推最小二乘類辨識方法
3.7.2 遺忘因子最小二乘算法的誤差上界（I）
3.7.3 遺忘因子最小二乘算法的誤差上界（Ⅱ）
3.7.4 變遺忘因子遞推最小二乘算法
3.7.5 有限數據窗遞推最小二乘算法性能分析
3.8 小結
3.9 思考題
第4章 隨機梯度類辨識方法及其收斂性
4.1 引言
4.2 隨機梯度辨識方法
4.2.1 隨機梯度辨識算法
4.2.2 仿真試驗
4.2.3 SG算法的收斂性
4.3 修正隨機梯度辨識方法
4.3.1 修正隨機梯度算法
4.3.2 仿真試驗
4.3.3 M-SG算法的收斂性
4.4 增廣隨機梯度辨識方法
4.4.1 基於殘差的增廣隨機梯度算法
4.4.2 R-ESG算法的收斂性
4.4.3 基於新息的增廣隨機梯度算法
4.4.4 I-ESG算法的收斂性
4.5 廣義增廣隨機梯度辨識方法
4.5.1 廣義隨機梯度算法
4.5.2 廣義增廣隨機梯度算法
4.5.3 GESG算法的收斂性
4.6 輔助模型廣義增廣隨機梯度辨識方法
4.6.1 輔助模型隨機梯度算法
4.6.2 AM-SG算法的收斂性
4.6.3 輔助模型廣義增廣隨機梯度算法
4.6.4 AM-GESG算法的收斂性
4.7 時變系統遺忘因子隨機梯度辨識方法
4.7.1 遺忘梯度算法與基本引理
4.7.2 遺忘梯度算法的誤差上界(I)
4.7.3 遺忘梯度算法的誤差上界(II)
4.8 小結
4.9 思考題
第5章 最小均方類辨識方法及其收斂性
5.1 引言
5.2 時不變確定性系統投影辨識方法
5.2.1 確定性系統的投影算法
5.2.2 投影辨識算法的收斂性
5.3 時變系統廣義投影辨識方法
5.3.1 廣義投影辨識算法
5.3.2 廣義投影算法參數估計誤差上界
5.4 時不變系統最小均方辨識方法
5.4.1 LMS算法與基本引理
5.4.2 LMS算法參數估計收斂性
5.5 時變系統最小均方辨識方法
5.5.1 LMS算法與基本引理
5.5.2 LMS算法參數估計誤差上界
5.6 時不變確定性系統多新息投影辨識方法
5.6.1 多新息投影算法與基本引理
5.6.2 多新息投影算法參數估計收斂性
5.7 時不變隨機系統多新息投影辨識方法
5.7.1 多新息投影算法與基本引理
5.7.2 多新息投影算法參數估計收斂性
5.8 小結
5.9 思考題
第6章 多變數系統辨識方法及其收斂性
6.1 引言
6.2 多變數系統類別與辨識模型
6.2.1 多變數系統類別
6.2.2 辨識模型的類別
6.3 多變數受控自回歸系統
6.3.1 多變數隨機梯度辨識算法
6.3.2 MSG辨識算法的收斂性
6.3.3 仿真試驗
6.4 多變數受控自回歸滑動平均系統
6.4.1 多變數增廣隨機梯度辨識算法
6.4.2 MESG辨識算法的收斂性
6.4.3 仿真試驗
6.5 多元線性回歸系統
6.5.1 多元遞推最小二乘辨識算法
6.5.2 M-RLS辨識算法的收斂性
6.5.3 多元隨機梯度辨識算法
6.5.4 M-SG辨識算法的收斂性
6.5.5 仿真試驗
6.6 多元偽線性回歸滑動平均系統
6.6.1 多元遞推增廣最小二乘辨識算法
6.6.2 M-RELS辨識算法的收斂性
6.6.3 多元增廣隨機梯度辨識算法
6.6.4 M-ESG辨識算法的收斂性
6.7 類多變數受控自回歸系統
6.7.1 傳遞函式陣主模型
6.7.2 遞階梯度疊代算法
6.7.3 遞階隨機梯度辨識算法
6.7.4 遞階最小二乘疊代算法
6.7.5 遞階最小二乘辨識算法
6.7.6 遞階最小二乘算法的收斂性
6.8 小結
6.9 思考題
參考文獻
附錄A 疊代方法族
A.1 雅可比疊代和高斯賽德爾疊代
A.2 疊代方法族
附錄B 卡爾曼濾波算法與參數估計
B.1 Kalman濾波器
B.2 線性時變系統的卡爾曼濾波算法
B.3 Kalman濾波器用於參數估計
附錄C 連續系統和離散系統的正實性
C.1 連續系統的正實性
C.2 離散系統的正實性
附錄D 基本事實
D.1 基本公式
D.2 基本事實和引理
D.3 向量範數
D.4 矩陣範數
D.5 矩陣的性質
D.6 矩陣及其分解
索引
後記
