摘要 | 第4-6页 |
ABSTRACT | 第6-7页 |
第一章 绪论 | 第11-24页 |
1.1 研究的背景与意义 | 第11-12页 |
1.2 国内外研究现状 | 第12-16页 |
1.2.1 变量误差系统研究现状 | 第12-13页 |
1.2.2 系统辨识研究现状 | 第13-16页 |
1.2.3 系统辨识的应用 | 第16页 |
1.3 预备知识与算法 | 第16-21页 |
1.3.1 卡尔曼平滑 | 第16-17页 |
1.3.2 粒子滤波 | 第17-18页 |
1.3.3 期望最大化算法 | 第18-19页 |
1.3.4 变分贝叶斯期望最大化算法 | 第19-21页 |
1.4 主要研究内容与创新点 | 第21-22页 |
1.4.1 主要研究内容 | 第21页 |
1.4.2 创新点 | 第21-22页 |
1.5 论文的章节安排 | 第22-24页 |
第二章 合成线性EIV模型的期望最大化辨识方法 | 第24-43页 |
2.1 引言 | 第24-25页 |
2.2 问题描述 | 第25-28页 |
2.2.1 输入生成动态模型 | 第25-26页 |
2.2.2 ARX模型 | 第26-27页 |
2.2.3 合成模型 | 第27-28页 |
2.3 期望最大化算法 | 第28-30页 |
2.3.1 基于期望最大化算法的EIV模型参数估计 | 第28-30页 |
2.4 基于期望最大化算法的参数估计 | 第30-33页 |
2.4.1 基于卡尔曼平滑估计无噪声输入 | 第30-31页 |
2.4.2 基于期望最大化算法的参数估计 | 第31-33页 |
2.5 仿真例子 | 第33-39页 |
2.5.1 数值仿真例子 | 第33-36页 |
2.5.2 直流电机模型 | 第36-39页 |
2.6 基于混合水箱系统的实验验证 | 第39-42页 |
2.7 小结 | 第42-43页 |
第三章 合成非线性模型的期望最大化辨识方法 | 第43-62页 |
3.1 引言 | 第43页 |
3.2 EIV模型 | 第43-47页 |
3.2.1 输入生成模型 | 第43-44页 |
3.2.2 过程动态 | 第44-45页 |
3.2.3 合成模型 | 第45-47页 |
3.3 基于期望最大化算法的多个ARX模型参数估计 | 第47-49页 |
3.4 基于粒子滤波的状态估计 | 第49-52页 |
3.4.1 基于粒子滤波的无噪声输入估计 | 第49-50页 |
3.4.2 后验分布的估计 | 第50-52页 |
3.5 仿真例子 | 第52-58页 |
3.5.1 碳纤维牵伸过程 | 第52-55页 |
3.5.2 连续搅拌反应器 | 第55-58页 |
3.6 实验验证—三串联水箱系统 | 第58-61页 |
3.7 小结 | 第61-62页 |
第四章 非线性EIV系统的期望最大化鲁棒辨识方法 | 第62-80页 |
4.1 引言 | 第62-63页 |
4.2 鲁棒EIV模型 | 第63-65页 |
4.3 基于期望最大化算法的参数估计 | 第65-71页 |
4.3.1 期望步 | 第65-67页 |
4.3.2 粒子滤波估计后验分布 | 第67-69页 |
4.3.3 最大化步 | 第69-71页 |
4.4 仿真结果与分析 | 第71-77页 |
4.4.1 数值例子 | 第71-74页 |
4.4.2 碳纤维牵伸过程 | 第74-77页 |
4.5 实验验证 | 第77-79页 |
4.6 小结 | 第79-80页 |
第五章 具有不确定性参数的非线性EIV系统的变分贝叶斯鲁棒辨识方法 | 第80-98页 |
5.1 引言 | 第80页 |
5.2 鲁棒EIV模型 | 第80-82页 |
5.3 变分贝叶斯期望最大化算法的参数估计 | 第82-90页 |
5.3.1 变分贝叶斯期望最大化算法—期望步 | 第82-86页 |
5.3.2 变分贝叶斯期望最大化算法—最大化步 | 第86-90页 |
5.4 仿真例子 | 第90-95页 |
5.5 实验结果 | 第95-97页 |
5.6 小结 | 第97-98页 |
第六章 总结与展望 | 第98-100页 |
6.1 总结 | 第98-99页 |
6.2 展望 | 第99-100页 |
参考文献 | 第100-115页 |
致谢 | 第115-116页 |
附录A 攻读博士学位期间取得的成果 | 第116-118页 |
附录B 攻读博士学位期间承担的项目 | 第118-119页 |
附录C 攻读博士学位期间获得的奖励 | 第119页 |