基于組合式信號源的塊結構模型辨識方法簡(jiǎn)介，目錄書(shū)摘

內容簡(jiǎn)介:　　復雜工業(yè)過(guò)程具有多變量、變量間非線(xiàn)性和強耦合等特點(diǎn)，且受多種不確定因素干擾導致難以建模，針對這一問(wèn)題，《基于組合式信號源的塊結構模型辨識方法》從塊結構模型中間變量不可測量的角度出發(fā)，分析塊結構模型各串聯(lián)模塊在不同激勵信號作用下的特性，系統地提出復雜工業(yè)過(guò)程塊結構非線(xiàn)性動(dòng)態(tài)模型描述和辨識的新方法，主要包括采用神經(jīng)模糊技術(shù)的串聯(lián)模塊建模方法、全新智能分離算法和模塊參數辨識算法、利用補償技術(shù)的塊結構非線(xiàn)性動(dòng)態(tài)系統過(guò)程噪聲建模方法等，并利用隨機過(guò)程理論分析和比較所提方法的性能。

目錄:目錄
《智能科學(xué)技術(shù)著(zhù)作叢書(shū)》序
前言
第一部分 塊結構模型
第1章 塊結構模型概述 3
1.1 引言 3
1.2 靜態(tài)非線(xiàn)性環(huán)節與動(dòng)態(tài)線(xiàn)性環(huán)節的同步辨識法 4
1.2.1 過(guò)參數化法 4
1.2.2 子空間法 6
1.2.3 調制函數法 6
1.2.4 直接辨識法 7
1.3 靜態(tài)非線(xiàn)性環(huán)節與動(dòng)態(tài)線(xiàn)性環(huán)節的分步辨識法 8
1.3.1 迭代法 8
1.3.2 分離最小二乘法 9
1.3.3 多信號源法 10
1.3.4 盲辨識法 11
1.3.5 頻域法 12
1.3.6 隨機法 12
1.4 基于Hammerstein模型的控制系統設計 13
1.5 塊結構模型研究中存在的關(guān)鍵問(wèn)題 15
1.6 全書(shū)概況 16
參考文獻 18
第二部分 基于二進(jìn)制-隨機復合信號源的塊結構模型辨識方法
第2章 基于二進(jìn)制-隨機復合信號源的Hammerstein模型辨識方法 27
2.1 基于泰勒級數展開(kāi)法的Hammerstein模型辨識 27
2.1.1 基于神經(jīng)模糊的Hammerstein模型 27
2.1.2 基于神經(jīng)模糊Hammerstein模型的辨識 30
2.1.3 實(shí)驗結果 32
2.1.4 小結 41
2.2 基于Lyapunov方法的Hammerstein模型辨識 43
2.2.1 神經(jīng)模糊Hammerstein模型 43
2.2.2 神經(jīng)模糊Hammerstein模型辨識 44
2.2.3 實(shí)驗結果 47
2.2.4 小結 54
參考文獻 54
第3章 基于二進(jìn)制-隨機復合信號源的Hammerstein-Wiener模型辨識方法 56
3.1 基于二進(jìn)制-隨機復合信號源的Hammerstein-Wiener 模型 56
3.1.1 神經(jīng)模糊Hammerstein-Wiener模型 57
3.1.2 神經(jīng)模糊 Hammerstein-Wiener 模型各串聯(lián)環(huán)節的分離 58
3.1.3 基于神經(jīng)模糊Hammerstein-Wiener模型的控制系統 64
3.1.4 實(shí)驗結果 64
3.1.5 小結 67
3.2 基于兩階段復合信號的Hammerstein-Wiener模型 68
3.2.1 基于兩階段復合信號的神經(jīng)模糊Hammerstein-Wiener模型 68
3.2.2 實(shí)驗結果 71
3.2.3 小結 73
參考文獻 74
第4章 含過(guò)程噪聲的塊結構模型二進(jìn)制-隨機復合信號源辨識方法 76
4.1 基于輔助模型遞推最小二乘法的Hammerstein模型 76
4.1.1 一類(lèi)含過(guò)程噪聲的Hammerstein模型 76
4.1.2 基于輔助模型遞推最小二乘法的Hammerstein模型多信號源辨識方法 77
4.1.3 實(shí)驗結果 79
4.1.4 小結 82
4.2 基于偏差補償遞推最小二乘法的Hammerstein-Wiener模型 82
4.2.1 一類(lèi)含過(guò)程噪聲的Hammerstein-Wiener模型 83
4.2.2 基于偏差補償遞推最小二乘法的Hammerstein-Wiener模型多信號源辨識方法 84
4.2.3 實(shí)驗結果 87
4.2.4 小結 90
4.3 基于輔助模型多新息隨機梯度法的Hammerstein模型 92
4.3.1 基于輔助模型多新息隨機梯度法的Hammerstein模型多信號源辨識方法 92
4.3.2 實(shí)驗結果 95
4.3.3 小結 98
參考文獻 98
第三部分 基于可分離信號源的塊結構模型辨識方法
第5章 基于可分離信號源的多輸入多輸出Hammerstein模型辨識方法 101
5.1 多輸入多輸出Hammerstein模型 101
5.2 基于可分離信號源的多輸入多輸出Hammerstein模型辨識 102
5.2.1 基于神經(jīng)模糊的多輸入多輸出Hammerstein模型 102
5.2.2 基于可分離信號源的多輸入多輸出Hammerstein模型辨識 103
5.2.3 實(shí)驗結果 109
5.2.4 小結 117
參考文獻 117
第6章 含過(guò)程噪聲的多輸入多輸出Hammerstein模型可分離信號源辨識方法 119
6.1 含過(guò)程噪聲的多輸入多輸出Hammerstein模型辨識 119
6.1.1 含過(guò)程噪聲的多輸入多輸出Hammerstein模型 119
6.1.2 含過(guò)程噪聲的多輸入多輸出Hammerstein模型辨識 120
6.1.3 實(shí)驗結果 124
6.1.4 小結 135
6.2 基于可分離信號的Hammerstein輸出誤差滑動(dòng)平均系統辨識 136
6.2.1 Hammerstein輸出誤差滑動(dòng)平均系統 136
6.2.2 神經(jīng)模糊Hammerstein輸出誤差滑動(dòng)平均系統辨識 137
6.2.3 實(shí)驗結果 143
6.2.4 小結 146
參考文獻 148
第7章 含過(guò)程噪聲的Hammerstein-Wiener模型可分離信號源辨識方法 149
7.1 基于可分離信號的Hammerstein-Wiener模型辨識方法 149
7.1.1 神經(jīng)模糊FIR Hammerstein-Wiener模型 149
7.1.2 神經(jīng)模糊Hammerstein-Wiener模型辨識方法 150
7.1.3 基于Hammerstein-Wiener模型的控制系統設計 154
7.1.4 實(shí)驗結果 154
7.1.5 結論 159
7.2 基于遞推廣義增廣最小二乘法的Hammerstein-Wiener模型可分離信號源辨識 159
7.2.1 噪聲干擾下的FIR Hammerstein-Wiener模型 159
7.2.2 基于遞推廣義增廣最小二乘法的Hammerstein-Wiener辨識 160
7.2.3 實(shí)驗結果 166
7.2.4 小結 170
參考文獻 171