系統(tǒng)建模與辨識

定　價：￥22.00

作　者：	王秀峰，盧桂章編著
出版社：	電子工業(yè)出版社
叢編項：	高等學校自動化專業(yè)教材
標　簽：	科學與自然綜合大學教材教輔與參考書

購買這本書可以去

ISBN：	9787121000669	出版時間：	2004-08-01	包裝：	膠版紙
開本：	24cm	頁數(shù)：	251	字數(shù)：

內(nèi)容簡介

　　本書比較全面、系統(tǒng)地介紹目前在不同領(lǐng)域中常用的有效建模與辨識方法。主要內(nèi)容包括：線性系統(tǒng)的辨識，多變量線性系統(tǒng)的辨識，線性系統(tǒng)的非參數(shù)表示和辨識，非線性系統(tǒng)的辨識，時間序列建模，房室模型（多用于醫(yī)學、生物工程中）的辨識，神經(jīng)網(wǎng)絡(luò)模型的辨識，模糊系統(tǒng)的建模與辨識，遺傳算法及其在辨識中的應(yīng)用，辨識的實施等。各種方法都給出具體的計算步驟或框圖，并結(jié)合實例或仿真例子給予說明，盡量使讀者易學會用。本書為天津市高校"十五"規(guī)劃教材，可作為高等學校自動化、系統(tǒng)工程、經(jīng)濟管理、應(yīng)用數(shù)學等專業(yè)的高年級本科生和研究生的教材或參考書，也可作為有關(guān)科技工作者、工程技術(shù)和管理人員的參考書。在中國大百科全書"自動控制與系統(tǒng)工程"卷中對"模型"的解釋是：對于現(xiàn)實的事物、現(xiàn)象、過程或系統(tǒng)的簡化描述，或其部分屬性的模仿。模型不存在一種統(tǒng)一的分類方式，常見的有物理模型、數(shù)學模型和仿真模型等。隨著科學技術(shù)不斷進步和社會經(jīng)濟的不斷發(fā)展，為了提高決策的科學性和準確性，定量化分析的重要性日益顯現(xiàn)出來，這就要求對所研究對象的各種量之間建立定量的關(guān)系：數(shù)學模型。對不同的領(lǐng)域、對象和不同的目的，數(shù)學模型的形式和內(nèi)容也有很大的不同?？茖W實驗中依據(jù)物理規(guī)律、化學定律等建立精確機理模型比較多，生產(chǎn)過程中根據(jù)生產(chǎn)原理和實驗數(shù)據(jù)相結(jié)合的半機理模型用得比較普遍，而在社會經(jīng)濟、管理、金融等領(lǐng)域內(nèi)更多的是用實際數(shù)據(jù)與經(jīng)濟理論結(jié)合而產(chǎn)生的模型?？傊?，不同的應(yīng)用需要建立不同類型的模型，建立不同類型的模型需要不同的方法。建立模型的過程稱為"建模"（Modelling）。由于模型在科學技術(shù)中的重要作用，而模型所要描述的又是涉及到各個領(lǐng)域的多種多樣的過程。因此，在建模過程中也自然會遇到許多困難和問題。比如，有些過程的內(nèi)在運動機理尚未認識清楚，只能從外在的現(xiàn)象去認識，并在此基礎(chǔ)上去建模；對有些過程的內(nèi)在規(guī)律雖然有所認識但又過于復(fù)雜，因此必須進行合理的簡化，并在此基礎(chǔ)上建模；有些問題的目的（如預(yù)報）并不在于了解過程的內(nèi)在規(guī)律而只關(guān)心其外在綜合表現(xiàn)的變化，因此，只需基于這種需求建模?？傊?，建模是一項十分重要而復(fù)雜的工作，需要從實際出發(fā)，"去粗取精，去偽存真，由表及里"，才能建立一個真正合用的模型。在建模過程中，除了運用已有的知識對過程本身的規(guī)律進行分析外，實驗數(shù)據(jù)是非常重要的依據(jù)，即使是分析過程本身的規(guī)律，往往也需要實驗數(shù)據(jù)的檢驗。通過實驗數(shù)據(jù)建模，稱為"辨識"（Identification），它是建模的一條十分重要的途徑，這也是本書的主要內(nèi)容。建模是更廣泛的概念，建模與辨識是密不可分的兩個范疇，只是在實際工作中，辨識主要依據(jù)數(shù)據(jù)，因此往往用到的算法多，工作量大，似乎是主角，實際上兩者是不可或缺、相互依存的。本書不可能廣泛地涉及到建模的所有領(lǐng)域，只是從系統(tǒng)分析、仿真、預(yù)測、控制這幾個最常用的方面討論建模與辨識，并以數(shù)學模型的辨識為主線，因為這已經(jīng)是現(xiàn)代控制工程的一個公認的分支。作者從2世紀7年代末開始從事"建模與辨識"的教學，2多年來科學技術(shù)獲得了極大的發(fā)展，新的科技成果對這一學科方向無疑要產(chǎn)生影響：一方面由于發(fā)展需要，建模的對象日趨復(fù)雜，一些新的內(nèi)容、新方法、新理論不斷地融入教學內(nèi)容，如神經(jīng)網(wǎng)絡(luò)模型的辨識、模糊系統(tǒng)的建模、遺傳算法的應(yīng)用等；另一方面，一些經(jīng)典的內(nèi)容，如線性系統(tǒng)模型辨識、一般非線性系統(tǒng)模型辨識至今仍在辨識中占有重要的地位。本書從這兩個側(cè)面選擇了作者認為最主要的、最有代表性的內(nèi)容。從多年的教學和科研的實踐中，作者深深感到"建模與辨識"在科技發(fā)展中日益發(fā)揮的重要作用，除了在控制工程中的廣泛應(yīng)用外，在經(jīng)濟系統(tǒng)、金融系統(tǒng)、生物醫(yī)學工程系統(tǒng)、生態(tài)系統(tǒng)及其他社會人文系統(tǒng)等中，模型分析的方法都得到普遍的運用，而且越來越受到重視，因此建模與辨識自然也備受關(guān)注。學習"建模與辨識"這門課程，作者認為應(yīng)該本著"清楚了解背景知識，靈活分析運用方法，實事求是檢驗結(jié)果"的精神把建模辨識和應(yīng)用結(jié)合起來，全面準確地掌握方法和應(yīng)用。本書作為教材，力求把基本概念、基本理論和基本方法講清楚，并盡量結(jié)合實例分析給出方法的具體步驟和應(yīng)用領(lǐng)域，使讀者易學會用。另外，對不同的學時和專業(yè)要求，在內(nèi)容上可以做適當?shù)倪x擇（目錄中用*號標出）。如第6章多變量線性系統(tǒng)辨識本書討論得比較細致，不一定作為普遍的要求；時間序列模型的辨識可能在經(jīng)濟及其他預(yù)測系統(tǒng)用得較多，房室模型則在生物、生態(tài)等系統(tǒng)用得較多，等等，這些都可以供內(nèi)容選擇時考慮。作者期望這本教材對建模與辨識方法的學習有所幫助，從而將通過模型（特別是數(shù)學模型）分析系統(tǒng)的思想和方法能為更多的領(lǐng)域運用，同時，也衷心地希望讀者在使用的過程中對本書的錯誤和不足提出批評和建議。本書作為天津市高校"十五"規(guī)劃教材出版，得到了天津市教委和南開大學教務(wù)處的大力支持和資助；編著過程中研究室的廣大師生給予了許多具體幫助；電子工業(yè)出版社凌毅編輯為本書的出版做了大量工作，在此特向他們表示衷心的感謝！

作者簡介

暫缺《系統(tǒng)建模與辨識》作者簡介

圖書目錄

目錄第1章引論(1) 1.1 建模與系統(tǒng)辨識概述    1.1.1 系統(tǒng)辨識研究的對象    1.1.2 系統(tǒng)辨識    1.1.3 系統(tǒng)辨識的目的    1.1.4 辨識中的先驗知識    1.1.5 先驗知識的獲得    1.1.6 系統(tǒng)辨識的基本步驟 1.2 數(shù)學模型    1.2.1 概述    1.2.2 線性系統(tǒng)的4種數(shù)學模型 1.3 本書的指導思想和布局第2章線性靜態(tài)模型的辨識(12) 2．1 問題的提出 2．2 最小二乘法（LS）    2.2.1 最小二乘估計    2.2.2 最小二乘估計的性質(zhì)    2.2.3 逐步回歸方法 2.3 病態(tài)方程的求解方法    2.3.1 病態(tài)對參數(shù)估計的影響    2.3.2 條件數(shù)    2.3.3 病態(tài)方程的求解方法
2.4 模型參數(shù)的最大似然估計（ML）    2.4.1 最大似然準則    2.4.2 最大似然估計習題第3章離散線性動態(tài)模型的最小二乘估計(27) 3．1 問題的提法及一次完成最小二乘估計 3.2 最小二乘估計的遞推算法(RLS)    3.2.1 遞推最小二乘法    3.2.2 初始值的選擇    3.2.3 計算步驟及舉例 3.3 時變系統(tǒng)的實時算法
3.3.1 漸消記憶（指數(shù)窗）的遞推算法    3.3.2 限定記憶（固定窗）的遞推算法    3.3.3 變遺忘因子的實時算法 3.4 遞推平方根算法 3.5 最大似然估計(ML) 習題第4章相關(guān)(有色)噪聲情形的辨識算法(42) 4.1 輔助變量法 4.2 增廣最小二乘法 (ELS)    4.2.1 增廣最小二乘法    4.2.2 改進的增廣最小二乘法 4.3 最大似然法（ML） 4.4 閉環(huán)系統(tǒng)的辨識    4.4.1 問題的提出    4.4.2 可辨識性    4.4.3 閉環(huán)條件下的最小二乘估計    習題第5章模型階的辨識 5.1 單變量線性系統(tǒng)階的辨識    5.1.1 損失函數(shù)檢驗法    5.1.2 F檢驗法    5.1.3 赤池信息準則（AIC準則） 5.2 階與參數(shù)同時辨識的遞推算法    5.2.1 辨識階次的基本思想和方法    5.2.2 階的遞推辨識算法    5.2.3 幾點說明 5.3 仿真研究    5.3.1 辨識方法的仿真研究    5.3.2 對模型適用性的仿真研究
5.3.3 控制系統(tǒng)設(shè)計中的計算機仿真研究習題第6章多變量線性系統(tǒng)的辨識 6.1 不變量、適宜選擇路線及規(guī)范形    6.1.1 代數(shù)等價系統(tǒng)    6.1.2 適宜選擇路線與不變量    6.1.3 適宜選擇路線與規(guī)范形 6.2 輸入/輸出方程    6.2.1 輸入/輸出方程一般形式
6.2.2 PCF規(guī)范形對應(yīng)的輸入/輸出方程 6.3 PCF規(guī)范形的辨識    6.3.1 結(jié)構(gòu)確定及參數(shù)辨識    6.3.2 *和*的實現(xiàn)算法習題第7章線性系統(tǒng)的非參數(shù)表示和辨識 7.1 線性系統(tǒng)的非參數(shù)表示    7.1.1 脈沖響應(yīng)函數(shù)    7.1.2 Markov參數(shù)（Hankel模型） 7.2 估計脈沖響應(yīng)函數(shù)的相關(guān)方法    7.2.1 相關(guān)方法的基本原理    7.2.2 偽隨機二位式信號（M序列）
7.2.3 用M序列做輸入信號時脈沖響應(yīng)函數(shù)的估計    7.2.4 估計h(t)的具體步驟與實施習題第8章非線性系統(tǒng)辨識 8.1 引言 8.2 單純形搜索法    8.2.1 問題的提法    8.2.2 單純形搜索法 8.3 迭代算法的基本原理    8.3.1 迭代算法的一般步驟    8.3.2 可接受方向 8.4 牛頓—拉夫森算法 8.5 麥夸特方法 8.6 數(shù)據(jù)處理的分組方法(GMDH)    8.6.1 背景    8.6.2 一般模型結(jié)構(gòu)及基本原則    8.6.3 基本的GMDH方法    8.6.4 變量的預(yù)選擇    8.6.5 數(shù)據(jù)的分組和部分實現(xiàn)檢驗準則    8.6.6 選擇層——中間變量的選擇    8.6.7 部分實現(xiàn)的形式    8.6.8 GMDH方法總結(jié)及應(yīng)用 8.7 NARMAX 模型的辨識    8.7.1 引言    8.7.2 非線性動態(tài)系統(tǒng)的描述    8.7.3 “新息—貢獻”準則與矩陣求逆定理    8.7.4 NARMAX模型的遞推辨識算法    8.7.5 小結(jié) 習題第9章房室模型的辨識 9.1 問題的提出 9.2 房室模型的建模    9.2.1 房室    9.2.2 物質(zhì)轉(zhuǎn)移速度    9.2.3 房室模型    9.2.4 房室模型分類    9.2.5 房室模型建模示例 9.3 參數(shù)估計    9.3.1 問題    9.3.2 參數(shù)估計算法    9.3.3 參數(shù)估計中遇到的幾個問題 9.4 可辨識性問題    9.4.1 問題    9.4.2 一房室模型    9.4.3 二房室模型    9.4.4 三房室模型    9.4.5 多房室模型的可辨識性問題 9.5 應(yīng)用實例習題第10章時間序列的建模與辨識 10.1 引言    10.1.1 模型形式    10.1.2 格林函數(shù)    10.1.3 穩(wěn)定性 10.2 模型的參數(shù)估計    10.2.1 AR（n）模型的參數(shù)估計    10.2.2 ARMA(n,m)模型的參數(shù)估計    10.2.3 初值的求法 10.3 模型階的確定 10.4 確定性的趨向和季節(jié)性:非平穩(wěn)序列習題第11章神經(jīng)網(wǎng)絡(luò)模型 11.1 引言 11．2 神經(jīng)組織的基本特征和人工神經(jīng)元    11．2．1 神經(jīng)組織的基本特征    11．2．2 人工神經(jīng)元的MP模型 11.3 多層前饋神經(jīng)網(wǎng)絡(luò)模型    11.3.1 前饋神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)    11.3.2 確定網(wǎng)絡(luò)模型權(quán)值問題的數(shù)學描述    11.3.3 BP算法    11.3.4 神經(jīng)網(wǎng)絡(luò)的幾個有關(guān)概念 11.4 神經(jīng)網(wǎng)絡(luò)在辨識中的應(yīng)用 11.5 徑向基函數(shù)網(wǎng)絡(luò)及其應(yīng)用    11.5.1 徑向基函數(shù)網(wǎng)絡(luò)的結(jié)構(gòu)    11.5.2 RBF網(wǎng)絡(luò)的辨識    11.5.3 用RBF網(wǎng)絡(luò)建模實例習題第12章模糊建模與辨識 12．1 模糊集合的基本概念    12.1.1 模糊集合及其表示    12.1.2 模糊集的運算    12.1.3 常用的隸屬函數(shù)    12.1.4 模糊邏輯關(guān)系的格式    12.1.5 推理算法 12.2 基于TS模型的模糊辨識    12.2.1 結(jié)論參數(shù)的辨識    12.2.2 前提參數(shù)的辨識    12.2.3 前提變量的選擇 12.3 應(yīng)用實例 12.4 小結(jié) 習題第13章遺傳算法及應(yīng)用簡介 13.1 引言    13.1.1 遺傳算法的基本思想    13.1.2 基本遺傳算法的工作步驟 13.2 遺傳算法的計算機實現(xiàn) 13.3 遺傳算法的工作過程舉例 13.4 實數(shù)編碼遺傳算法    13.4.1 實數(shù)編碼遺傳算法及其在神經(jīng)網(wǎng)絡(luò)訓練中的應(yīng)用    13.4.2 結(jié)果與討論 13.5 關(guān)于遺傳算法的幾點說明    13.5.1 模式定理    13.5.2 GA算法的收斂性分析    13.5.3 GA是一種優(yōu)化算法的方法論習題第14章辨識的實施 14.1 辨識的實驗設(shè)計    14.1.1 問題的提出    14.1.2 設(shè)計準則    14.1.3 輸入信號的設(shè)計    14.1.4 采樣區(qū)間的設(shè)計 14.2 模型適用性檢驗    14.2.1 通過先驗知識的檢驗    14.2.2 通過數(shù)據(jù)的檢驗    14.2.3 通過對預(yù)測誤差序列的檢驗    14.2.4 應(yīng)用實例習題附錄A 矩陣運算的兩個結(jié)果附錄B 矩陣微分的幾個結(jié)果附錄C 偽隨機二位式序列附錄D 正態(tài)偽隨機數(shù) 參考文獻