第一章 绪论 1
1.1 系统和模型 1
1.2 如何得到一个系统的模型 2
1.3 为什么要进行递推辨识？ 3
1.4 递推辨识算法 7
1.5 本书纲要和读者指南 8
1.6 本书的起步点 10
第二章 研究递推辨识的几种方法 12
2.1 引言 12
2.2 根据离线辨识算法导出的递推辨识算法 16
2.3 递推辨识的非线性滤波法（贝叶斯法） 32
2.4 随机逼近法 41
2.5 伪线性回归法和参考模型法 48
2.6 跟踪时变系统 54
2.7 用户小结 61
2.8 参考文献 62
第三章 模型和方法：一般体制 65
3.1 引言 65
3.2 系统和模型 66
3.3 离线辨识的几个问题 79
3.4 二次准则下的递推高斯-牛顿算法 85
3.5 一般准则下的递推预测误差辨识算法 93
3.6 应用于线性回归模型 96
3.7 应用于一般的SISO模型 106
3.8 应用于状态空间模型 121
3.9 用户小结 129
3.10 参考文献 133
第四章 解析法 135
4.1 引言 135
4.2 递推辨识方法的渐近性质：展望 137
4.3 收敛性分析的方法 143
4.4 递推预测误差算法的分析 176
4.5 伪线性回归法的分析 202
4.6 辅助变量法的分析 231
4.7 用户小结 246
4.8 参考文献 247
第五章 算法的选择 248
5.1 引言 248
5.2 模型集合的选择 251
5.3 在一般的SISO模型族内选择模型集合 253
5.4 实验条件的选择 263
5.5 准则函数的选择 265
5.6 增益序列的选择 270
5.7 搜索方向的选择 287
5.8 初值的选择 294
5.9 利用伪线性回归法逼近梯度 298
5.10 利用辅助变量法逼近梯度 305
5.11 梯度向量中残差和预测误差之间的选择 311
5.12 小结 314
5.13 参考文献 315
第六章 实现 317
6.1 引言 317
6.2 高斯-牛顿算法中增益向量的计算 318
6.3 计算增益的快速算法 330
6.4 梯形和格型算法 339
6.5 正则化 354
6.6 稳定性检验和投影算法 360
6.7 小结 361
6.8 参考文献 362
第七章 递推辨识的应用 363
7.1 引言 363
7.2 离线辨识的递推算法 364
7.3 自适应控制 368
7.4 自适应估计 377
7.5 自适应信号处理 383
7.7 参考文献 394
7.6 小结 394
后记 396
附录1.A 概率论的一些概念 397
附录1.B 统计学的一些概念 401
附录1.C 随机动态系统的模型 408
附录2.A 推广的卡尔曼滤波器算法 413
附录3.A 另一种高斯-牛顿算法 415
附录3.B 针对一般状态空间模型的PRE算法 418
附录3.C EKF和RPE的比较 421
附录3.D 线性回归和伪线性回归的一些公式 424
附录4.A 引理4.1的证明 429
附录4.B 定理4.5的证明 432
附录4.C 定理4.6的鞅收敛证明 445
附录4.D 对称辅助变量法的渐近特性 456
附录4.E 改善的辅助变量法和RPE法 461
附录4.F 另一种高斯-牛顿方向的相伴微分方程 467
附录4.G 与推广卡尔曼滤波器相伴的微分方程 470
附录6.A RPE辨识的FORTRAN子程序 472
附录6.B 推导增益计算的快速算法 479
附录6.C 推导快速梯形算法 485
附录7.A 产生自适应输入的递推辨识算法的收敛性分析 495
参考文献 500