系统辨识理论及MATLAB仿真PDF电子书下载

第1章 绪论 1

1.1 建立数学模型的基本方法 1

1.2 系统辨识的定义 3

1.3 系统辨识的研究目的 3

1.4 数学模型的分类 4

1.5 几种常见的数学模型的数学表示 5

1.6 系统辨识常用的误差准则 6

1.7 系统辨识的分类 7

1.7.1 离线辨识 7

1.7.2 在线辨识 7

1.8 辨识的内容和步骤 8

1.9 系统辨识方法 9

1.10 系统辨识方法分类 9

1.10.1 经典系统辨识方法 9

1.10.2 现代系统辨识方法 9

思考题与习题1 12

第2章 系统辨识常用输入信号 13

2.1 系统辨识对输入信号的要求 13

2.2 系统辨识常用的输入信号 16

2.2.1 白噪声信号 16

2.2.2 白噪声序列的产生 17

2.3 M序列的产生及其性质 21

思考题与习题2 30

第3章 最小二乘参数辨识方法及应用 31

3.1 最小二乘参数辨识方法 32

3.1.1 基本原理 32

3.1.2 利用最小二乘法求取模型参数 32

3.1.3 仿真实例：热敏电阻和温度关系的最小二乘参数求解 33

3.2 加权最小二乘算法 35

3.2.1 一般最小二乘算法的分析与设计 35

3.2.2 加权最小二乘法的分析与设计 37

3.2.3 仿真实例 39

3.3 递推最小二乘算法 41

3.3.1 递推最小二乘算法的基本原理 41

3.3.2 递推最小二乘算法的分析与设计 41

3.3.3 仿真实例 43

3.3.4 时不变系统的递推最小二乘参数辨识方法 46

3.3.5 时变系统的递推最小二乘参数辨识方法 46

3.4 递推阻尼最小二乘算法 47

3.4.1 递推阻尼最小二乘算法的基本原理 47

3.4.2 递推阻尼最小二乘算法的分析与设计 48

3.4.3 仿真实例 49

3.5 增广最小二乘算法 52

3.5.1 增广最小二乘算法的基本原理 52

3.5.2 增广最小二乘算法的分析与设计 52

3.5.3 仿真实例 53

3.6 多变量系统的最小二乘辨识算法 55

3.6.1 多变量系统的最小二乘辨识算法的基本原理 55

3.6.2 多变量系统的最小二乘辨识算法的分析与设计 56

3.6.3 仿真实例 57

思考题与习题3 59

第4章 极大似然参数辨识方法 61

4.1 引言 61

4.2 极大似然参数估计的原理及性质 61

4.2.1 极大似然参数估计原理 61

4.2.2 似然函数的构造 62

4.2.3 极大似然参数估计的统计性质 63

4.3 动态系统参数的极大似然参数估计 64

4.4 Newton-Raphson法应用于极大似然参数估计求解 67

4.5 递推的极大似然估计 70

思考题与习题4 78

第5章 传递函数的时域和频域辨识 79

5.1 传递函数辨识的时域法 79

5.1.1 一阶惯性滞后环节的辨识 80

5.1.2 二阶惯性加纯迟延的传递函数拟合 82

5.1.3 用n阶惯性环节加纯延迟的传递函数拟合 83

5.2 传递函数的频率辨识 83

5.2.1 利用Bode图特性求传递函数 84

5.2.2 利用MATLAB工具求系统传递函数 86

5.3 线性系统开环传递函数的辨识 87

5.3.1 基本原理 87

5.3.2 仿真实例 88

5.4 闭环系统传递函数的辨识和前馈控制 92

5.4.1 闭环系统辨识 92

5.4.2 仿真实例 93

5.4.3 零相差前馈控制基本原理 97

5.4.4 系统相移 98

5.4.5 仿真实例 99

思考题与习题5 102

第6章 神经网络辨识及其应用 103

6.1 神经网络理论基础 103

6.1.1 神经网络原理 103

6.1.2 神经网络学习算法 105

6.1.3 神经网络的要素及特征 106

6.1.4 人工神经网络辨识的特点 106

6.2 BP神经网络辨识 107

6.2.1 BP神经网络 107

6.2.2 网络结构 107

6.2.3 BP网络的优缺点 107

6.3 BP网络的逼近 108

6.3.1 基本原理 108

6.3.2 仿真实例 109

6.4 基于数据的BP网络离线建模 111

6.4.1 基本原理 111

6.4.2 仿真实例 113

6.5 基于模型的BP神经网络离线建模 116

6.5.1 基本原理 116

6.5.2 仿真实例 117

6.6 RBF神经网络辨识及在自校正控制中的应用 120

6.6.1 RBF神经网络 120

6.6.2 RBF网络的逼近 120

6.6.3 仿真实例 121

6.7 基于未知项在线建模的RBF网络自校正控制 124

6.7.1 神经网络自校正控制原理 124

6.7.2 RBF网络自校正控制 124

6.7.3 仿真实例 126

6.8 Hopfield神经网络辨识 129

6.8.1 Hopfield网络原理 129

6.8.2 Hopfield网络线性系统参数辨识 131

6.8.3 仿真实例 133

6.9 RBF网络建模应用——自适应神经网络控制 139

6.9.1 问题描述 139

6.9.2 RBF网络逼近原理 139

6.9.3 仿真实例 140

思考题与习题6 144

第7章 模糊系统辨识 146

7.1 模糊系统的理论基础 146

7.1.1 特征函数和隶属函数 146

7.1.2 模糊算子 146

7.1.3 隶属函数 147

7.1.4 模糊系统的设计 151

7.2 基于Sugeno模糊模型的建模 152

7.2.1 Sugeno模糊模型 152

7.2.2 仿真实例 152

7.2.3 基于Sugeno模糊模型的倒立摆模糊控制 154

7.2.4 仿真实例 155

7.2.5 基于Sugeno的倒立摆模糊控制 158

7.2.6 仿真实例 159

7.3 模糊逼近 164

7.3.1 模糊系统的设计 164

7.3.2 模糊系统的逼近精度 165

7.3.3 仿真实例 165

7.4 模糊系统建模应用——自适应模糊控制 170

7.4.1 问题描述 170

7.4.2 模糊逼近原理 170

7.4.3 控制算法设计与分析 171

7.4.4 仿真实例 172

思考题与习题7 177

第8章 智能优化算法辨识 179

8.1 遗传算法基本原理 179

8.2 遗传算法的特点 180

8.3 遗传算法的应用领域 181

8.4 遗传算法的优化设计 182

8.4.1 遗传算法的构成要素 182

8.4.2 遗传算法的应用步骤 182

8.5 遗传算法求函数极大值 183

8.5.1 二进制编码遗传算法求函数极大值 184

8.5.2 实数编码遗传算法求函数极大值 188

8.6 基于遗传算法摩擦模型参数辨识的PID控制 191

8.6.1 问题描述 191

8.6.2 仿真实例 191

8.7 基于遗传算法的伺服系统静态摩擦参数辨识 196

8.7.1 伺服系统的静态摩擦模型 196

8.7.2 静摩擦模型Stribeck曲线的获取 196

8.7.3 基于遗传算法的静态摩擦参数辨识 197

8.7.4 仿真实例 197

8.8 基于遗传算法的机械手参数辨识 203

8.8.1 系统描述 204

8.8.2 仿真实例 206

8.9 粒子群优化算法 215

8.9.1 粒子群算法基本原理 215

8.9.2 参数设置 216

8.9.3 算法流程 216

8.10 基于粒子群算法的函数优化 217

8.11 基于粒子群算法的机械手参数辨识 221

8.12 基于粒子群算法的非线性系统参数辨识 225

8.12.1 辨识非线性静态模型 225

8.12.2 辨识非线性动态模型 228

8.12.3 基于粒子群算法的VTOL飞行器参数辨识 233

8.13 差分进化算法 240

8.13.1 标准差分进化算法 240

8.13.2 差分进化算法的基本流程 241

8.13.3 差分进化算法的参数设置 242

8.13.4 基于差分进化算法的函数优化 243

8.14 基于差分进化算法的非线性系统参数辨识 245

8.14.1 辨识非线性静态模型 245

8.14.2 辨识非线性动态模型 249

8.14.3 基于差分进化算法的VTOL飞行器参数辨识 253

8.15 基于微分器的微分信号提取 258

8.15.1 微分器的由来 258

8.15.2 微分器的工程应用 259

8.15.3 积分链式微分器 260

8.15.4 仿真实例 261

8.16 基于微分器的差分进化参数辨识 263

8.16.1 系统描述 263

8.16.2 仿真实例 263

思考题与习题8 269

第9章 灰色系统辨识 270

9.1 灰色系统辨识原理 270

9.1.1 生成数列 270

9.1.2 GM灰色模型 270

9.2 灰色系统参数辨识 271

9.2.1 问题描述 271

9.2.2 灰色估计算法 271

9.2.3 仿真实例 273

参考文献 275