中文名: 系統辨識及其MATLAB仿真
作者: 侯媛彬
圖書分類: 軟件
資源格式: PDF
版本: 掃描版
出版社: 科學出版社
書號: 7030127374
發行時間: 2009年04月
地區: 大陸
語言: 簡體中文
簡介:



內容簡介：
本書系統地論述了古典、現代辨識理論和方法，並探討了多種如神經網絡、遺傳神經網絡算法、模糊神經網絡新的非線性智能辨識技術，介紹了誘導和辨識混沌的方法。分析了各種方法的一致性及特點，並探討了MATLAB軟件對各類辨識方法的實現途徑。全書共分8章，在理論分析的基礎上，列舉了大量的仿真程序、程序剖析和工程應用實例。本書內容新穎、信息量大，並附開發的多種與辨識相關的源程序光盤，為讀者提供了學習或模仿的樣本。本書可供自動化、測控、通信、安全類及相關專業高校師生和工程技術人員選用
作者簡介：
侯媛彬：女，1953年11月出生，1977年於西安交通大學本科畢業，1987年於西安科技大學碩士畢業獲得工學碩士學位，1997年於西安交通大學博士畢業獲得系統工程博士學位．現為西安科技大學教授，博士生導師，電控學院學科主任，兼任陝西省自動化學會教育委員會主任。
內容截圖：

供白盤的朋友下載：
網盤網址：http://www.ctdisk.com/file/18418894
更多書籍請進我的書庫

目錄:


序
前言
第1章 辨識的基本概念
1．1 系統和模型
1．1. 1 模型的表現形式
1．1．2 數學模型的分類
1．2 辨識建模的定義
1．3 辨識問題的表示形式及原理
1．3．1 辨識問題的表達形式
1．3．2 辨識算法的基本原理
1．3．3 誤差准則
1．4 辨識的內容和步驟
1．5 典型的非線性系統辨識與控制方法
1．5．1 非線性辨識典型模型及辨識、控制方法特點
1．5．2 非線性系統參數估計的特點
1．5．3 神經網絡及其系統控制結構
1．5．4 非線性解耦問題
1．5．5 需要深入研究的非線性問題
1．6 小結
習題
.第2章 辨識理論基礎及古典辨識方法
2．1 隨機過程基本概念及其數學描述
2．1．1 基本概念
2．1．2 相關函數和協方差函數的性質
2．2 譜密度與相關函數
2．2．1 帕塞瓦爾(parseval)定理與功率密度譜表示式
2．2．2 維納—辛欽(wiener—khintchine)關系式
2．3 線性系統在隨機輸入下的響應
2．4 白噪聲產生方法及其仿真
2．4．1 白噪聲的概念
2．4．2 白噪聲的產生及其matlab仿真
2．4．3 偽隨機信號產生及matlab仿真舉例
2．5 古典辨識方法
2．5．1 m序列自相關函數
2．5．2 逆m序列
2．5．3 相關分析法頻率響應辨識
2．5．4 相關分析法脈沖響應辨識
2．5．5 相關分析法脈沖響應應用
2．6 小結
習題
第3章 最小二乘參數辨識
3．1 最小二乘法的概念
3．1．1 系統辨識結構
3．1．2 最小二乘法的基本概念
3．2 最小二乘問題的描述
3．3 最小二乘問題的一次完成算法
3．3．1 普通最小二乘問題的解
3．3．2 加權最小二乘問題的解
3．4 最小二乘一次完成算法的matlab仿真
3．5 最小二乘參數估計的遞推算法
3．5．1 遞推算法的概念
3．5．2 遞推算法的推導
3．6 最小二乘遞推算法的matlab仿真
3．7 增廣最小二乘法
3．8 增廣最小二乘辨識的matlab仿真
3．9 廣義最小二乘法
3．10 多級最小二乘法
3．10．1 輔助模型參數辨識
3．10．2 系統模型參數辨識
3．10．3 噪聲模型參數辨識
3．11 小結
習題
第4章 梯度校正參數辨識
4．1 確定性問題的梯度校正參數辨識方法
4．1．1 確定性梯度校正辨識公式的推導
4．1．2 權矩陣的選擇
4．2 脈沖響應梯度校正辨識的matlab仿真
4．3 隨機性問題的梯度校正參數辨識方法
4．3．1 隨機性問題的提法
4．3．2 隨機性辨識問題的分類
4．3．3 隨機性問題的梯度校正參數估計方法
4．4 梯度校正法在動態過程辨識中的應用
4．4．1 狀態方程的參數辨識
4．4．2 差分方程的參數辨識
4．5 隨機逼近法
4．5．1 隨機逼近原理
4．5．2 隨機逼近參數估計方法
4．5．3 隨機牛頓法
4．6 小結
習題
第5章 極大似然法辨識方法
5．1 引言
5．2 極大似然參數辨識原理
5．3 動態系統模型參數的極大似然估計
5．3．1 動態模型描述
5．3．2 極大似然估計與最小二乘估計的關系
5．3．3 協方差陣未知時的極大似然參數估計
5．4 遞推的極大似然參數估計
5．4．1 極大似然遞推算法的原理及方法
5．4．2 似然遞推法辨識matlab仿真及程序剖析
5．5 小結
習題
第6章 離散隨機系統的自適應濾波
6．1 bayes辨識方法
6．1．1 bayes基本原理
6．1．2 最小二乘模型的bayes參數辨識
6．2 bayes辨識的matlab仿真
6．3 kalman濾波
6．3．1 預測、濾波與平滑
6．3．2 高斯變量估計
6．3．3 kalman濾波與預測
6．4 模型參考自適應辨識方法
6．4．1 1和2的確定
6．4．2 (k)的計算
6．4．3 a辨識算法類
6．4．4 b類辨識算法
6．4．5 c類辨識算法
6．5 小結
習題
第7章 神經網絡模型辨識
7．1 神經網絡概念與特性
7．1．1 人工神經元模型
7．1．2 激發函數
7．1．3 神經網絡模型分類
7．1．4 神經網絡學習方法
7．1．5 神經元網絡特點
7．2 神經網絡模型辨識中常用結構
7．3 辨識中常用網絡訓練算法
7．3．1 自適應控制系統基本結構
7．3．2 辨識中常用bp網絡訓練算法
7．4 改進的bp網絡訓練算法
7．4．1 基於降低網絡靈敏度的網絡改進算法
7．4．2 提高一類神經網絡容錯性的理論和方法
7．4．3 提高神經網絡收斂速度的一種賦初值算法
7．4．4 其他網絡訓練技巧
7．5 神經網絡辨識的matlab仿真舉例
7．5．1 具有噪聲二階系統辨識的matlab程序剖析
7．5．2 多維非線性辨識的matlab程序剖析
7．6 基於改進遺傳算法的神經網絡及其應用
7．6．1 一種適應度函數的改進算法
7．6．2 一種改進的遺傳神經解耦方法
7．6．3 遺傳神經解耦仿真、實驗及結論
7．7 模糊神經網絡及其應用
7．7．1 模糊神經網絡原理及其應用
7．7．2 fnn對非線性多變量系統的matlab解耦仿真
7．8 小結
習題
第8章 非線性動態系統的其他辨識方法
8．1 volterra級數的表示及其辨識方法
8．1．1 非線性系統volterra級數的表示
8．1．2 volterra級數的辨識
8．2 復雜系統的混沌現象及其辨識
8．2．1 反饋系統和優化過程中的混沌現象
8．2．2 基於控制理論的混沌分析方法
8．2．3 混沌識別與混沌系統辨識
8．3 小結
習題
參考文獻