| 中文摘要 | 第1-6页 |
| 英文摘要 | 第6-13页 |
| 第1章 引论 | 第13-51页 |
| 1．1 动态系统的状态估计 | 第13-24页 |
| 1．1．1 状态估计理论发展初期的代表性成果 | 第13-15页 |
| 1．1．2 非线性系统的状态估计 | 第15-24页 |
| 1．2 系统辨识 | 第24-38页 |
| 1．2．1 系统辨识简史 | 第24-25页 |
| 1．2．2 系统辨识的新发展 | 第25-38页 |
| 1．3 论文结构 | 第38-39页 |
| 参考文献 | 第39-51页 |
| 第2章 基于逻辑切换的改进强跟踪卡尔曼滤波器 | 第51-61页 |
| 2．1 引言 | 第51-52页 |
| 2．2 强跟踪滤波器（STF） | 第52-54页 |
| 2．3 改进强跟踪卡尔曼滤波器（MSTKF） | 第54-56页 |
| 2．4 数值仿真 | 第56-59页 |
| 2．5 结论 | 第59页 |
| 参考文献 | 第59-61页 |
| 第3章 加性复合有色噪声干扰下的强跟踪滤波器 | 第61-72页 |
| 3．1 引言 | 第61页 |
| 3．2 过程与量测噪声相关情况下的强跟踪卡尔曼滤波器 | 第61-64页 |
| 3．3 加性复合有色噪声干扰下的强跟踪滤波器 | 第64-69页 |
| 3．4 数值仿真示例 | 第69-71页 |
| 3．5 结束语 | 第71页 |
| 参考文献 | 第71-72页 |
| 第4章 非线性离散时间系统的自适应函数观测器 | 第72-83页 |
| 4．1 引言 | 第72-73页 |
| 4．2 非线性离散时间系统的自适应函数观测器 | 第73-76页 |
| 4．3 收敛性分析 | 第76-78页 |
| 4．4 数值仿真 | 第78-81页 |
| 4．5 结语 | 第81页 |
| 参考文献 | 第81-83页 |
| 第5章 群集智能概述 | 第83-112页 |
| 5．1 引言 | 第83-85页 |
| 5．2 蚁群优化算法及其在连续空间优化问题中的扩展 | 第85-90页 |
| 5．2．1 蚁群优化（ACO）的基本原理 | 第85-88页 |
| 5．2．2 基于蚁群算法的连续空间优化方法 | 第88-90页 |
| 5．3 粒子群优化算法 | 第90-100页 |
| 5．3．1 粒子群优化的起源与社会行为仿真 | 第91-93页 |
| 5．3．2 基本粒子群优化算法 | 第93-95页 |
| 5．3．3 基本粒子群优化算法分析 | 第95-98页 |
| 5．3．4 粒子群优化算法的改进 | 第98-99页 |
| 5．3．5 粒子群优化算法的应用 | 第99-100页 |
| 5．4 群集智能 | 第100-102页 |
| 5．5 关于群集智能的一点注释 | 第102-103页 |
| 参考文献 | 第103-112页 |
| 第6章 应用全局信息反馈的混合粒子群优化算法 | 第112-122页 |
| 6．1 引言 | 第112页 |
| 6．2 粒子群优化（PSO）及其改进 | 第112-114页 |
| 6．3 应用全局信息反馈的混合粒子群优化（HPSO） | 第114-116页 |
| 6．4 数值仿真 | 第116-120页 |
| 6．5 结论 | 第120页 |
| 参考文献 | 第120-122页 |
| 第7章 基于粒子群优化的非线性系统辨识 | 第122-134页 |
| 7．1 引言 | 第122页 |
| 7．2 Hammerstein模型辨识 | 第122-126页 |
| 7．2．1 基于粒子群优化的Hammerstein模型辨识 | 第123-125页 |
| 7．2．2 仿真研究 | 第125-126页 |
| 7．3 MISO Wiener-Hammerstein模型辨识 | 第126-131页 |
| 7．3．1 基于粒子群优化的MISO Wiener-Hammerstein模型辨识 | 第127-129页 |
| 7．3．2 仿真研究 | 第129-131页 |
| 7．4 结束语 | 第131-132页 |
| 参考文献 | 第132-134页 |
| 第8章 基于粒子群优化的时变动态系统跟踪 | 第134-146页 |
| 8．1 引言 | 第134页 |
| 8．2 粒子群优化算法的离散化 | 第134-135页 |
| 8．3 应用混合粒子群优化辨识时变时滞系统 | 第135-141页 |
| 8．3．1 有色噪声干扰下的时变时滞系统辨识 | 第135-137页 |
| 8．3．2 仿真研究 | 第137-141页 |
| 8．4 应用粒子群优化辨识非线性时变系统 | 第141-143页 |
| 8．4．1 时变MISO Wiener-Hammerstein模型辨识 | 第141-142页 |
| 8．4．2 仿真研究 | 第142-143页 |
| 8．5 结论 | 第143-144页 |
| 参考文献 | 第144-146页 |
| 第9章 基于粒子群优化的非线性系统状态观测器 | 第146-154页 |
| 9．1 引言 | 第146-147页 |
| 9．2 问题描述 | 第147-148页 |
| 9．3 非线性连续时间系统状态空间模型的数值仿真 | 第148-150页 |
| 9．4 基于粒子群优化的非线性连续时间系统状态观测器 | 第150页 |
| 9．5 仿真示例 | 第150-152页 |
| 9．6 结束语 | 第152页 |
| 参考文献 | 第152-154页 |
| 第10章 求解连续Minimax优化和Minimax估计问题的粒子群优化方法 | 第154-165页 |
| 10．1 引言 | 第154-155页 |
| 10．2 连续Minimax优化问题 | 第155-161页 |
| 10．2．1 求解连续Minimax优化问题的两空间遗传算法 | 第155-157页 |
| 10．2．2 求解连续Minimax优化问题的PSO方法 | 第157-159页 |
| 10．2．3 仿真示例 | 第159-161页 |
| 10．3 Minimax估计 | 第161-164页 |
| 10．3．1 应用粒子群优化的Minimax估计 | 第162-163页 |
| 10．3．2 数值仿真 | 第163-164页 |
| 10．4 结束语 | 第164页 |
| 参考文献 | 第164-165页 |
| 第11章 结束语 | 第165-169页 |
| 致谢 | 第169-171页 |
| 作者在攻读博士学位期间发表和录用的论文 | 第171页 |
