内 容 简 介

本书系统地叙述了系统辨识的基本概念、基本理论、基本方法

和应用。在内容方面，不仅对参数估计、阶次判定、时域辨识、频域

辨识、随机系统辨识等经典理论及应用作了全面和系统的论述，对

多变量系统、非线性系统和闭环系统的辨识进行了简明的阐述，而

且对灰色系统辨识和模糊系统辨识方面的最新研究成果也作了深

入的探讨。

本书为自动控制专业教学参考书或研究生教材。

目 录

第一章 系统辨识与建模的基本概念

第一节 建模与系统辨识

第二节 谱密度的传递和表示性定理

第三节 系统的数学模型

参考文献

第二章 系统辨识的经典方法

第一节 经典方法简介

第二节 时域法

第三节 频率特性法

第四节 相关辨识法

参考文献

第三章 参数估计方法

第一节 基本估计方法

第二节 最小二乘法

第三节 最小二乘法的改进

第四节 极大似然法

第五节 其它参数估计方法

参考文献

第四章 阶次判定方法

第一节 汉克尔矩阵法与积矩矩阵法

第二节 F—检验法

第三节 AIC准则法与其它阶次判别法

第四节 阶次递增时的参数递推估计

参考文献

第五章 非线性系统、多变量系统和闭环系统的辨识

第一节 非线性系统的辨识

第二节 多变量线性系统的辨识

第三节 闭环系统的辨识

参考文献

第六章 随机系统辨识

第一节 时序模型的基本理论

第二节 AR模型的参数估计

第三节 ARMA模型的参数估计

第四节 系统建模的方法

参考文献

第七章 灰色系统辨识

第一节 灰色系统的基本理论

第二节 灰色系统的建模

第三节 灰色混合模型

第四节 应用举例

参考文献

第八章 模糊系统辨识

第一节 引 言

第二节 可能性线性系统的辨识

第三节 模糊时序模型的辨识

第四节 模糊系统辨识的应用——机械故障的

模糊诊断

参考文献

附 录 随机过程基础

从不同角度看，模型类型可按不相容集合分类为：静态或

动态模型，参数或非参数模型，线性或非线性模型，连续或离

散时间模型，定常或时变参数模型，确定性或随机性模型，时

域或频域模型，集中参数或分布参数模型，“精确”模型/模糊

模型，等等。

（2）获取被识系统的输入、输出数据，根据输入、输出数据

估计结构参数与模型参数（对参数模型而言）。

所谓结构参数，对单变系统是指模型方程的阶数，对多变

量系统，通常是指模型方程的阶数以及其它与结构有关的量，

例如状态空间模型的结构不变量。而模型参数，是指不依赖于

输入、输出数据或状态的那些量，如微分方程、差分方程的系

数。

（3）模型的验证

在得到系统的模型之后，这个模型是否真实反映了系统

的动态特性，是否可用，还必须进行验证。模型验证的方法很

多，例如特定的辨识目的，通过实用试验来证明；又如对系统

与模型施加相同的试验信号，通过它们的输出的偏差情况来

验证。

（三）模型参数估计问题

在辨识过程中，一个关键的问题是模型参数估计。模型参

数估计问题就是在确定了模型的类型与结构参数之后，根据

输入、输出数据，为使某个准则函数极小（或极大）而采用某种

计算方法来估计模型参数。

在参数估计中，数据的处理方式有两种。一是整批方法，

一是递推方式。在整批方式中，参数估计所需观测数据全部需

要存储起来，在取得所有数据后再进行参数估计。离线辨识大

多采用这种方式。在递推方式中，每取得一次新观测数据，就

对过去所得的参数估计值进行修正。递推方式不必存储全部

数据，可以节省计算机内存。在线辨识大多采用这种方式。如

果在线辨识计算机在每次采样后立即用递推方式进行数据处

理，就称为实时辨识。实时辨识适用于时变系统的辨识。