摘要 | 第1-5页 |
Abstract | 第5-11页 |
1 绪论 | 第11-29页 |
·研究背景和意义 | 第11-12页 |
·系统辨识应用简介 | 第12-13页 |
·系统辨识发展概述 | 第13-14页 |
·系统辨识研究现状 | 第14-27页 |
·非线性系统辨识 | 第14-17页 |
·面向控制的辨识 | 第17-18页 |
·鲁棒辨识 | 第18-19页 |
·迭代辨识 | 第19-20页 |
·子空间辨识 | 第20-21页 |
·时变动态系统跟踪 | 第21-22页 |
·连续时间系统辨识 | 第22-23页 |
·并行辨识 | 第23页 |
·集员辨识 | 第23-24页 |
·多层递阶辨识 | 第24页 |
·智能辨识 | 第24-27页 |
·本文研究内容 | 第27-29页 |
2 基础知识 | 第29-55页 |
·系统辨识概念 | 第29页 |
·系统辨识基本步骤 | 第29-30页 |
·模块化非线性模型 | 第30-32页 |
·最小二乘法原理 | 第32-34页 |
·共轭梯度法 | 第34-36页 |
·Hooke-Jeeves模式搜索优化 | 第36-37页 |
·粒子群优化算法 | 第37-42页 |
·支持向量机 | 第42-51页 |
·高阶统计量 | 第51-54页 |
·小结 | 第54-55页 |
3 基于粒子群算法非线性系统辨识 | 第55-69页 |
·引言 | 第55页 |
·问题描述 | 第55-57页 |
·基于粒子群算法求解模型 | 第57-60页 |
·标准粒子群算法 | 第57-59页 |
·改进粒子群算法 | 第59-60页 |
·选取元模型 | 第60-61页 |
·仿真示例 | 第61-68页 |
·小结 | 第68-69页 |
4 单输入单输出Hammerstein模型辨识 | 第69-81页 |
·引言 | 第69-70页 |
·Hammerstein模型 | 第70-71页 |
·粒子优化群算法 | 第71-73页 |
·Hammerstein模型辨识过程 | 第73-76页 |
·数值仿真 | 第76-80页 |
·小结 | 第80-81页 |
5 模块化非线性Wiener模型盲辨识 | 第81-95页 |
·引言 | 第81页 |
·Wiener模型结构 | 第81-82页 |
·循环平稳信号统计特性 | 第82-83页 |
·Wiener模型辨识过程 | 第83-89页 |
·数值仿真 | 第89-94页 |
·小结 | 第94-95页 |
6 多输入单输出Wiener-Hammerstein模型辨识 | 第95-108页 |
·引言 | 第95页 |
·粒子群优化算法 | 第95-98页 |
·标准粒子群优化算法 | 第95-96页 |
·混合粒子群优化算法 | 第96-98页 |
·Wiener-Hammerstein模型的辨识 | 第98-100页 |
·仿真研究 | 第100-106页 |
·小结 | 第106-108页 |
7 模块化Hammerstein-Wiener模型盲辨识 | 第108-129页 |
·引言 | 第108-109页 |
·采样Hammerstein-Wiener模型 | 第109-111页 |
·Hammerstein-Wiener模型辨识过程 | 第111-122页 |
·估计输出非线性子系统参数 | 第111-116页 |
·估计线性子系统传递函数 | 第116-119页 |
·估计输入非线性子系统参数 | 第119-121页 |
·辨识算法步骤 | 第121-122页 |
·数值仿真 | 第122-128页 |
·小结 | 第128-129页 |
8 基于小波神经网络非线性系统辨识 | 第129-142页 |
·引言 | 第129-130页 |
·BP小波神经网络 | 第130-132页 |
·小波分析简介 | 第130页 |
·BP小波神经网络结构 | 第130-132页 |
·训练小波神经网络 | 第132-136页 |
·标准粒子群算法 | 第132-134页 |
·改进粒子群优化算法 | 第134-135页 |
·基于粒子群算法训练小波网络步骤 | 第135-136页 |
·数值仿真 | 第136-140页 |
·小结 | 第140-142页 |
9 总结与展望 | 第142-144页 |
·总结 | 第142-143页 |
·展望 | 第143-144页 |
致谢 | 第144-146页 |
参考文献 | 第146-161页 |
在校攻读博士期间的研究成果 | 第161-162页 |