| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 课题研究背景及研究意义 | 第9页 |
| 1.2 国内外研究发展现状 | 第9-10页 |
| 1.3 本文的研究内容 | 第10-13页 |
| 第二章 系统参数辨识的经典算法 | 第13-35页 |
| 2.1 最小二乘参数辨识方法 | 第13-22页 |
| 2.1.2 一般最小二乘法 | 第13-14页 |
| 2.1.3 递推最小二乘算法 | 第14-16页 |
| 2.1.4 递推增广最小二乘算法 | 第16页 |
| 2.1.5 递推辅助变量法 | 第16-18页 |
| 2.1.6 递推广义最小二乘法 | 第18-19页 |
| 2.1.7 夏氏递推算法 | 第19-20页 |
| 2.1.8 一种多阶段最小二乘递推算法 | 第20-22页 |
| 2.2 极大似然参数辨识方法 | 第22-27页 |
| 2.2.1 极大似然参数估计原理 | 第22页 |
| 2.2.2 似然函数的构造 | 第22-23页 |
| 2.2.3 极大似然参数估计的统计性质及动态系统参数的极大似然参数估计 | 第23-25页 |
| 2.2.4 递推极大似然参数估计求解 | 第25-27页 |
| 2.3 仿真实例 | 第27-34页 |
| 2.3.1 受高斯白噪声干扰 | 第27-28页 |
| 2.3.2 受有色噪声干扰 | 第28-34页 |
| 2.4 本章小节 | 第34-35页 |
| 第三章 群智能优化系统参数辨识 | 第35-49页 |
| 3.1 遗传算法辨识 | 第35-37页 |
| 3.1.1 遗传算法的特点 | 第35页 |
| 3.1.2 遗传算法辨识实数编码初始种群的产生及操作算子的设置 | 第35-37页 |
| 3.1.3 遗传算法辨识的步骤流程 | 第37页 |
| 3.2 粒子群算法辨识 | 第37-39页 |
| 3.2.1 参数设置 | 第37-38页 |
| 3.2.2 粒子群算法辨识的步骤流程 | 第38-39页 |
| 3.3 群智能算法参数辨识降噪的方法 | 第39页 |
| 3.4 仿真实例 | 第39-48页 |
| 3.4.1 受高斯白噪声干扰 | 第40-42页 |
| 3.4.2 受有色噪声干扰 | 第42-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第四章 神经网络辨识方法 | 第49-69页 |
| 4.1 神经网络辨识的特点 | 第49页 |
| 4.2 BP神经网络辨识 | 第49-52页 |
| 4.2.1 激活函数的定义和选择 | 第49-50页 |
| 4.2.2 BP神经网络的原理 | 第50-52页 |
| 4.2.3 BP神经网络辨识方法 | 第52页 |
| 4.3 深度神经网络 | 第52-57页 |
| 4.3.1 深度神经网络的原理 | 第52-53页 |
| 4.3.2 受限的波尔兹曼机 | 第53-57页 |
| 4.4 神经网络用于降噪的方法 | 第57-59页 |
| 4.5 仿真实例 | 第59-66页 |
| 4.5.1 利用BP神经网络对系统进行离线建模跟踪 | 第59-63页 |
| 4.5.2 利用BP网络结合深度神经网络(DBN-DNN)对系统进行离线建模跟踪 | 第63-66页 |
| 4.6 本章小结 | 第66-69页 |
| 第五章 总结与展望 | 第69-71页 |
| 参考文献 | 第71-74页 |
| 致谢 | 第74页 |
