一、时变多变量系统多新息投影算法的均方收敛性（论文文献综述）
毕文鹏[1]（2017）在《鳍—水舱综合减摇系统耦合分析及控制策略研究》文中提出减摇鳍和被动式减摇水舱联合减摇是当今减摇效果最好且应用最广泛的减摇方式之一。这种减摇方式对两种减摇装置取长补短,使船舶不管是在低航速还是高航速下,都保持有较理想的减摇能力。由于海上的情况复杂多变以及两种减摇装置之间的互相影响,使得船舶减摇能力产生非线性关系,以至于在一定程度上左右综合减摇系统的减摇性能。因此分析两种减摇装置之间的耦合关系,并选用合理的控制策略,对船舶的减摇具有相当重要的意义。通过阅读许多国内外关于船舶减摇领域的文献资料以及对比国内外船舶减摇研究的现状,搭建了减摇鳍和减摇水舱联合减摇的系统模型,并对其进行模态化以进行耦合分析。然后针对在恶劣情况下综合减摇系统表现出的非线性和强耦合性,选择了两种控制策略对其控制并进行仿真分析。本论文主要完成了以下工作:首先,从船舶横摇运动的模型出发,搭建了鳍-水舱综合减摇系统的数学模型,并对其进行理论分析。从机理上分析减摇鳍和被动式水舱的耦合关系;然后利用振动学理论的知识,将鳍-水舱综合减摇系统的数学模型转换成振动微分方程的形式,对其进行模态化分析,从另一个方面分析减摇鳍和水舱之间的耦合关系。其次,探究果蝇优化算法的基本原理,分析果蝇优化算法进行寻优时的缺点,并在此基础上提出自适应步长的果蝇优化算法,实现算法搜索步长的自适应调整。将自适应步长果蝇优化算法应用到综合减摇控制系统PID神经网络解耦控制器连接权值优化中去,并用MATLAB进行仿真。仿真结果表明,该算法能快速收敛,并且收敛精度较高,以此算法为基础设计的PID神经网络解耦控制器弱化了系统的耦合,并具有令人满意的控制效果。最后,针对综合减摇系统在实际情况中高度非线性、时变、强耦合的特点,把采用可在线实时调节控制参数的且不依赖精确模型的多新息无模型自适应控制算法引入到鳍-水舱综合减摇系统控制器设计中,并且对比传统PID控制,对仿真结果进行验证解析。仿真实验表明,该算法不仅有较好的自适应性,还具备较强的抗扰动的性能,用该算法设计的控制器控制效果较好。
丁锋[2]（2016）在《系统辨识算法的复杂性、收敛性及计算效率研究》文中进行了进一步梳理实践中经常会遇到大型计算问题和优化问题,使得求解问题算法的复杂性、计算量和计算精度等成为突出问题,特别是大规模非线性多变量系统的辨识.对此,提出几个有趣的研究课题:1)利用信息滤波技术和多新息辨识理论研究能提高辨识精度的大规模系统辨识理论与方法;2)利用递阶辨识原理研究维数高、变量数目多、计算量小的多变量系统递阶辨识方法;3)利用鞅收敛理论建立非线性多变量系统辨识方法的收敛理论;4)利用并行计算与递阶计算技术提高辨识算法的计算效率,以解决一类大规模非线性多变量系统的模型化问题.
丁锋[3]（2015）在《输出误差系统的多新息辨识方法》文中提出研究了输出误差（OE）系统和输出误差自回归滑动平均（OEARMA）系统（即Box-Jenkins系统）的辅助模型随机梯度算法、辅助模型多新息随机梯度算法、辅助模型递推最小二乘算法、辅助模型多新息最小二乘算法,输出误差系统的修正辅助模型随机梯度算法、遗忘因子辅助模型随机梯度算法、变递推间隔辅助模型随机梯度算法、变递推间隔辅助模型多新息随机梯度算法、变递推间隔辅助模型递推最小二乘算法等,以及输出误差自回归（OEAR）系统的基于滤波的辅助模型多新息广义随机梯度算法和基于滤波的辅助模型多新息广义最小二乘算法.
孙敏敏[4]（2014）在《数据与模型融合的无模型改进控制算法研究》文中提出针对工业过程中难以建立精确数学模型的时滞复杂非线性系统，基于数据驱动控制理论的无模型控制方法不依赖系统数学模型，只需系统输入输出数据，就可以实现复杂对象的控制，具有理论上的新颖性。因此，发展数据驱动控制理论有重要的理论与实际意义。本文针对无模型控制中的泛模型理论以及无模型控制律存在的不完善之处做了研究与改进，具体研究内容如下：（1）深入研究了无模型控制算法以及基于多新息理论的无模型控制改进算法，采用随机逼近方法，证明了基于多新息无模型控制算法的收敛性。（2）对基于多新息理论的无模型控制算法的改进，主要进行了以下工作：利用误差反馈原理，提出了带误差反馈的多新息无模型控制改进算法。该算法不仅能够充分有效的利用系统的输入输出数据，还能利用误差充分的修正泛模型，在提高收敛性的同时也能有效解决系统超调问题；针对多新息无模型控制算法中的控制参数优化问题，利用果蝇优化算法对控制器中的相关参数进行在线调优。利用仿真手段验证改进方法的有效性。（3）研究了PID神经网络辨识与控制理论，提出了基于多新息理论的PID神经网络改进算法，从理论上证明了该方法的收敛性。最后结合仿真实验验证了方法的有效性。（4）结合具体项目，针对具有时滞复杂非线性特性的六自由度可调平台的姿态调整问题，深入研究了Stewart模型、开放式控制系统及相关理论，采用本文提出的改进算法对Stewart实物系统进行控制，实验表明所提出的改进方法能够有效地解决六自由度可调平台的控制问题。
戴红飞[5]（2013）在《特征模型自适应控制方法在网络控制系统中的应用研究》文中提出作为一门新兴学科，网络控制系统结合了计算机技术、通信技术以及控制技术。网络控制系统是通过控制网络来最终实现控制回路的反馈控制系统。由于引入了通信网络这一技术，因此网络控制系统有着很多优越性，比如：系统稳定性高，结构比较灵活，系统的维护以及拓展都比较容易，还能够实现资源的共享。但是利弊总是相生相伴的，由于引入通信网络，一些新的问题也产生了，例如：网络延时，数据包的丢失，网络调度等问题。所有的这些优点与缺点使得网络控制系统成为近年来受关注度很高的研究话题。对于网络系统而言，网络时延和数据包丢失是不可回避的话题，也是影响网络控制系统稳定性的重要问题所在，因此，我们总是希望能够让网络控制系统具有更强的实时性，并且希望网络控制系统在丢包率较高的情况下依然保持稳定性。本文首先从数据角度分析了递推最小二乘辨识算法、多新息最小二乘算法以及变递推间隔多新息最小二乘算法，得出后两者的计算量要明显小于递推最小二乘算法，接着通过matlab仿真证明了变递推间隔多新息最小二乘算法较之前两个算法具有更好的鲁棒性。本文利用变递推间隔多新息最小二乘辨识算法可以克服坏数据、计算量小的优点，结合特征模型在实际工程中建模简单、控制精度较高的特点，将两者首次结合并运用在了网络控制系统中。最后以直流电机为例,用Truetime仿真工具箱对网络控制系用进行了仿真研究。本文针对网络控制系统的时延问题和数据包的丢失问题进行了仿真和研究,将运用了变递推间隔多新息最小二乘辨识算法的特征模型与传统的递推最小二乘算法进行仿真对比，结果表明，在特征模型网络控制系统中运用变递推间隔多新息最小二乘辨识算法能够很好的克服数据丢包率的问题，对网络时延也有一定的效果，最终使得网络控制系统的性能得到了进一步的提高。
丁锋[6]（2012）在《辨识方法的计算效率（1）:递推算法》文中研究指明算法的计算量可用其乘法运算次数和加法运算次数表示（除法作为乘法对待,减法作为加法对待）.一次乘法运算或一次加法运算称为一个flop,即一次浮点运算.作为"辨识方法的计算效率"系列3篇连载论文的第1篇,主要了讨论递推辨识算法的计算量,包括向量和矩阵基本运算的flop数,以及线性回归系统、多元线性回归系统、多变量系统的随机梯度辨识算法、最小二乘辨识算法、递推最小二乘辨识算法的最经济计算量,即实现算法的最少flop数.
丁锋[7]（2012）在《系统辨识（6）:多新息辨识理论与方法》文中进行了进一步梳理多新息辨识是系统辨识的一个重要分支.新息是能够改善参数估计精度或状态估计精度的有用信息.首先,详细讨论了线性回归模型的各种多新息辨识方法,包括多新息投影算法、多新息随机梯度算法、多新息遗忘梯度算法、变递推间隔多新息随机梯度算法、多新息最小二乘辨识方法、变递推间隔多新息最小二乘算法等;然后,给出了方程误差类系统、输出误差类系统、输入非线性系统的随机梯度辨识算法、多新息随机梯度算法和多新息最小二乘辨识算法;最后,简单说明了多新息辨识理论可以发展到多新息观测器和多新息卡尔曼滤波理论.
丁锋[8]（2011）在《系统辨识（3）:辨识精度与辨识基本问题》文中研究表明系统辨识是研究建立系统数学模型的理论与方法.讨论系统辨识涉及的一些基本问题,包括辨识精度、辨识方法的提出,辨识输入信号的设计,参数可辨识性与系统可辨识性,开环可辨识性与闭环可辨识性,可辨识性与能控性和能观测性的关系,可辨识性与输入信号的关系,以及与辨识方法收敛性相关的激励信号与激励条件,辨识算法收敛分析的基本工具,典型辨识算法的收敛结论等.
丁洁[9]（2011）在《双率采样数据系统的辨识》文中研究说明现代工业系统的控制变量受频率特性、设备传感器特性等物理、机械因素的限制以及控制品质的要求,数据采集器必须采用不同的采样频率,导致双率或多率采样数据系统。双率和多率采样系统完全不同于传统的等周期采样离散时间系统,传统辨识方法也无法应用于这类双率和多率采样系统。论文选题“双率采样数据系统辨识方法的研究”具有理论意义和学术价值。论文对该课题进行了深入研究,取得的成果如下。1.针对一类存在损失数据的自回归时间序列模型,由于传统辨识算法无法直接应用到这类时间序列模型,采用多项式变换技术,将模型转换成一个不涉及损失观测数据的新模型,提出了损失数据自回归模型的最小二乘辨识算法,并分析了算法的收敛性能。进一步将结果推广到存在损失数据的自回归滑动平均时间序列模型。仿真结果验证了提出算法的有效性。2.针对双率采样方程误差系统,系统输入在每个采样时刻都可得到,而可测量的系统输出很少,传统辨识算法无法直接辨识这类系统。采用多项式变换技术,提出了双率采样系统的递推增广最小二乘辨识算法。由于最小二乘算法需要计算协方差矩阵,计算量较大,而随机梯度算法计算量小,但收敛速度慢,本文提出了带收敛因子的随机梯度算法,加快了梯度辨识算法的收敛速度,并分析了算法的收敛性能,给出了仿真结果。3.针对进行多项式变换技术后,得到的双率辨识模型参数数目大大增加,从而导致辨识计算量大的问题,本文采用递阶辨识原理,即将系统模型分解成若干个维数小、参数数目少的子系统,提出了递阶最小二乘辨识算法。与最小二乘算法相比,提出的递阶辨识算法具有较小的计算量。理论分析与仿真验证了算法的收敛性能。4.针对双率采样输出误差系统,由于传统辨识算法参数估计是有偏的,采用多项式变换技术,提出了基于交互估计的偏差补偿递推最小二乘辨识算法。理论分析与仿真结果表明,提出的偏差补偿算法参数估计是无偏的。5.针对一类双率非均匀采样数据系统,通过扩展传统随机梯度算法中的标量新息为新息向量,提出了这类系统的多新息随机梯度辨识算法。理论分析与仿真结果表明,算法中新息的长度能加快算法的收敛速度。
常亮[10]（2010）在《基于加权多新息方法的系统辨识》文中认为多新息辨识方法与传统的最小二乘、随机梯度类算法等采用单新息修正的辨识方法相比,具有更好的收敛性能以及克服坏数据的能力,因此对它的研究具有重要的理论意义以及应用价值。本论文在多新息辨识方法的基础上,通过引入加权矩阵提出加权多新息辨识方法,并取得了以下的研究成果。一、论文首先针对受控AR模型（CAR模型）推导出分别基于投影法以及随机梯度法的加权多新息算法,并利用仿真例子说明了通过选择合适的加权矩阵,加权多新息辨识方法比普通的多新息算法在相同新息长度下具有更快的收敛速度以及参数估计精度,最后简要探讨了加权矩阵对于参数估计效果的影响。二、对于时变系统的参数估计,提出了带有遗忘因子的加权多新息算法,并通过仿真结果证实了算法的有效性。三、针对存在有色噪声干扰的受控自回归滑动平均模型（CARMA模型）,提出了加权多新息增广随机梯度算法,并用仿真例子说明了与普通多新息增广随机梯度算法相比的优越性。四、进一步将加权多新息算法推广到更为复杂的动态调节模型（DA模型）,提出了加权多新息广义随机梯度算法,给出了参数估计的计算步骤并用仿真对算法辨识效果加以验证。论文最后对于加权多新息算法在应用中面临的困难进行了简单介绍,并对如何进一步研究加权多新息算法做出了展望。
二、时变多变量系统多新息投影算法的均方收敛性（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、时变多变量系统多新息投影算法的均方收敛性（论文提纲范文）
（1）鳍—水舱综合减摇系统耦合分析及控制策略研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 船舶综合减摇研究现状 |
| 1.2.2 鳍-水舱减摇系统耦合分析现状 |
| 1.2.3 减摇系统控制策略应用现状 |
| 1.2.4 群智能优化算法应用现状 |
| 1.3 本文主要的研究内容 |
| 第2章 鳍-水舱综合减摇系统的建模及耦合分析 |
| 2.1 引言 |
| 2.2 船舶横摇模型 |
| 2.3 减摇鳍系统精确数学模型建立 |
| 2.4 船舶-被动水舱系统数学模型建立 |
| 2.5 鳍-水舱综合减摇系统数学模型建立 |
| 2.6 鳍-水舱综合减摇系统耦合分析 |
| 2.6.1 鳍和水舱相互影响分析 |
| 2.6.2 鳍-水舱综合减摇系统耦合特性分析 |
| 2.6.3 振动理论在鳍-水舱综合减摇系统耦合分析的应用 |
| 2.7 本章小结 |
| 第3章 基于自适应步长果蝇优化算法的PID神经网络综合减摇系统控制 |
| 3.1 引言 |
| 3.2 果蝇优化算法基本原理 |
| 3.3 果蝇优化算法的改进 |
| 3.3.1 果蝇优化算法的改进现状 |
| 3.3.2 自适应步长果蝇优化算法 |
| 3.4 PID神经网络基本结构 |
| 3.5 基于自适应步长果蝇优化算法的PID神经网络控制器的设计 |
| 3.5.1 鳍-水舱综合减摇系统性能指标的选择 |
| 3.5.2 鳍-水舱综合减摇系统控制器参数选取 |
| 3.6 控制系统性能分析 |
| 3.7 本章小结 |
| 第4章 鳍-水舱综合减摇系统的多新息无模型自适应控制策略研究 |
| 4.1 引言 |
| 4.2 无模型自适应控制基本原理 |
| 4.3 基于SAFOA的MI-MFLAC算法控制策略 |
| 4.3.1 多新息无模型自适应控制 |
| 4.3.2 基于SAFOA的MI-MFLAC算法 |
| 4.4 鳍-水舱综合减摇系统MI-MFLAC控制器设计 |
| 4.5 仿真验证 |
| 4.5.1 算法性能分析 |
| 4.5.2 鳍-水舱综合减摇系统横摇角分析 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士期间发表的论文和取得的科研成果 |
| 致谢 |
（4）数据与模型融合的无模型改进控制算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 论文选题依据、研究背景及意义 |
| 1.1.1 选题依据 |
| 1.1.2 研究背景和问题的提出 |
| 1.2 相关领域国内外发展现状 |
| 1.2.1 有模型参考自适应控制方法 |
| 1.2.2 无模型控制方法 |
| 1.3 论文主要研究内容及安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文组织结构 |
| 1.4 本章小结 |
| 2 无模型自适应控制算法 |
| 2.1 标准无模型控制算法 |
| 2.1.1 泛模型的概念 |
| 2.1.2 泛模型的应用 |
| 2.1.3 无模型自适应控制律设计 |
| 2.2 二阶泛模型无模型控制算法 |
| 2.2.1 二阶泛模型的概念 |
| 2.2.2 自适应控制规律推导 |
| 2.2.3 伪偏导数估计 |
| 2.3 小结 |
| 3 无模型自适应控制算法改进研究 |
| 3.1 多新息辨识理论 |
| 3.1.1 多新息辨识方法 |
| 3.1.2 多新息随机梯度辨识方法 |
| 3.2 基于多新息理论的无模型控制律的改进算法 |
| 3.2.1 多新息无模型控制律的推导 |
| 3.2.2 多新息无模型控制算法收敛性分析 |
| 3.3 带误差反馈的多新息无模型控制算法研究 |
| 3.4 无模型控制算法的在线优化 |
| 3.4.1 果蝇优化算法介绍 |
| 3.4.2 基于果蝇优化算法的多新息无模型控制 |
| 3.5 基于多新息理论的 PID 神经网络改进算法研究 |
| 3.5.1 PID 神经网络模型 |
| 3.5.2 基于多新息的 PID 神经网络模型 |
| 3.5.3 算法的收敛性分析 |
| 3.6 仿真研究 |
| 3.6.1 基于多新息理论的果蝇算法优化参数的无模型改进算法仿真 |
| 3.6.2 带误差反馈的多新息无模型控制算法仿真 |
| 3.6.3 基于多新息理论的 PID 神经网络改进算法仿真 |
| 3.7 小结 |
| 4 六自由度的软、硬件平台研究 |
| 4.1 Stewart 平台结构分析 |
| 4.2 对位系统控制系统及算法实现 |
| 4.3 系统控制实例 |
| 4.4 小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 |
| 致谢 |
（5）特征模型自适应控制方法在网络控制系统中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 特征建模的基本论述 |
| 1.3 多新息辨识算法的基本论述 |
| 1.4 本课题主要研究内容以及论文组织结构 |
| 第二章 特征模型自适应控制基本原理 |
| 2.1 引言 |
| 2.2 特征模型基本理论 |
| 2.3 黄金分割控制器 |
| 2.3.1 参数未知线性定常不稳定二阶系统的黄金分割自适应控制 |
| 2.3.2 参数未知线性定常稳定二阶系统的黄金分割自适应控制 |
| 第三章 辨识方法的概述 |
| 3.1 引言 |
| 3.2 系统辨识的定义 |
| 3.3 辨识步骤与辨识目的 |
| 3.3.1 辨识的基本步骤 |
| 3.3.2 辨识的目的 |
| 3.4 辨识方法的种类 |
| 3.4.1 最小二乘辨识方法 |
| 3.4.2 梯度辨识方法 |
| 3.4.3 辅助模型辨识方法 |
| 3.4.4 多新息辨识方法 |
| 3.4.5 递阶辨识方法 |
| 第四章 两种辨识算法在特征模型中的应用与仿真 |
| 4.1 引言 |
| 4.2 递推最小二乘法 |
| 4.2.1 最小二乘参数估计及其性质 |
| 4.2.2 递推最小二乘法（RLS）原理 |
| 4.2.3 递推最小二乘法的的计算量与步骤 |
| 4.2.4 递推最小二乘法的参数辨识仿真 |
| 4.3 多新息最小二乘辨识算法 |
| 4.3.0 引言 |
| 4.3.1 多新息辨识方法概述 |
| 4.3.2 多新息最小二乘辨识方法 |
| 4.3.3 变递推多新息最小二乘辨识方法 |
| 4.3.4 辨识算法的 matlab 仿真 |
| 第五章 多新息辨识算法在网络控制系统中的应用仿真 |
| 5.1 引言 |
| 5.2 Truetime 的概述 |
| 5.3 特征模型网络控制系统的建模与仿真 |
| 5.4 系统各子模块内部结构分析 |
| 5.4.1 传感器模块 |
| 5.4.2 网络模块 |
| 5.4.3 控制器模块 |
| 5.4.4 执行器模块 |
| 5.4.5 干扰节点模块 |
| 5.5 特征模型网络控制系统的 Truetime 仿真 |
| 5.5.1 有时延没有丢包率情况下的仿真 |
| 5.5.2 在有固定时延和丢包率的情况下的仿真 |
| 第六章 总结与展望 |
| 6.1 研究总结 |
| 6.2 研究展望 |
| 参考文献 |
| 发表论文研究成果 |
| 致谢 |
（6）辨识方法的计算效率（1）:递推算法（论文提纲范文）
| 0 引言 |
| 1 基本计算 |
| 1) 标量数加和乘 |
| 2) 标量与向量之积、标量与矩阵之积 |
| 3) 向量之和、矩阵之和 |
| 4) 向量点积或向量内积 |
| 5) 向量外积 |
| 6) 矩阵与向量之积 |
| 7) 矩阵与矩阵之积 |
| 2 线性回归系统 (LR) |
| 2.1 随机梯度算法 (SG) |
| 2.2 最小二乘算法 (LS) |
| 2.3 递推最小二乘算法 (RLS) |
| 3 多元线性回归系统 (MLR) |
| 3.1 多元随机梯度算法 (MSG) |
| 3.2 多元最小二乘算法 (MLS) |
| 3.3 多元递推最小二乘算法 (MRLS) |
| 4 多输入多输出系统 (MIMO) |
| 4.1 多变量随机梯度算法 (M-SG) |
| 4.2 多变量最小二乘算法 (M-LS) |
| 4.3 多变量递推最小二乘算法 (M-RLS) |
| 5 结语 |
（7）系统辨识（6）:多新息辨识理论与方法（论文提纲范文）
| 0引言 |
| 1多新息辨识理论 |
| 1.1什么是多新息辨识方法? |
| 1.2变递推间隔多新息辨识方法 |
| 1.3多新息辨识的相关成果 |
| 2多新息随机梯度辨识方法 (MISG) |
| 3多新息梯度型辨识算法 (MIGT) |
| 1) 多新息广义投影算法 |
| 2) 多新息随机梯度算法 |
| 3) 变递推间隔广义投影算法 |
| 4) 变递推间隔随机梯度算法 |
| 5) 等递推间隔广义投影算法 |
| 6) 等递推间隔随机梯度算法 |
| 7) 等递推间隔多新息广义投影算法 |
| 8) 等递推间隔多新息随机梯度算法 |
| 9) 多新息遗忘梯度算法 |
| 10) 等递推间隔多新息遗忘梯度算法 |
| 4多新息最小二乘辨识方法 (MILS) |
| 5变递推间隔多新息最小二乘辨识方法 (V-MILS) |
| 6多新息最小二乘类辨识算法 (MILST) |
| 1) 递推最小二乘算法 |
| 2) 变递推间隔最小二乘算法 |
| 3) 多新息最小二乘算法 |
| 4) 等递推间隔多新息最小二乘算法 |
| 5) 等递推间隔最小二乘算法 |
| 6) 变递推间隔有限数据窗多新息最小二乘方法 |
| 7) 有限数据窗多新息最小二乘算法 |
| 8) 等递推间隔有限数据窗多新息最小二乘算法 |
| 9) 等递推间隔投影算法 |
| 7方程误差类系统 (EET) |
| 7.1受控自回归系统 (CAR) |
| 7.2受控自回归滑动平均系统 (CARMA) |
| 7.3受控自回归自回归系统 (CARAR) |
| 7.4受控自回归自回归滑动平均系统 (CARARMA) |
| 8输出误差类系统 (OET) |
| 8.1输出误差系统 (OE) |
| 8.2输出误差滑动平均系统 (OEMA) |
| 8.3输出误差自回归系统 (OEAR) |
| 8.4 Box-Jenkins系统 (BJ) |
| 9输入非线性受控自回归自回归滑动平均系统 (IN-CARARMA) |
| 10多新息观测器和多新息卡尔曼滤波器 (MI-Observer and MI-KF) |
| 10.1多新息观测器 (MI-Observer) |
| 10.2多新息卡尔曼滤波器 (Multi-innovation Kal-man filter) |
| 11结语 |
（8）系统辨识（3）:辨识精度与辨识基本问题（论文提纲范文）
| 0 引言 |
| 1 辨识精度 |
| 1.1 物理量辨识 |
| 1.2 系统外特性辨识 |
| 2 辨识的基本问题 |
| 2.1 辨识方法的提出 |
| 2.2 辨识输入信号设计 |
| 2.3 可辨识性问题 |
| 2.3.1 参数可辨识性与系统可辨识性 |
| 2.3.2 可辨识性与辨识算法的关系 |
| 2.3.3 开环可辨识性与闭环可辨识性 |
| 2.3.4 可辨识性与能控性和能观测性的关系 |
| 2.3.5 可辨识性与输入信号之间的关系 |
| 2.4 辨识算法的收敛性能 |
| 3 激励信号与激励条件 |
| 3.1 持续激励信号 |
| 1) 有限脉冲响应模型 |
| 2) 受控自回归模型 |
| 3.2 弱持续激励信号 |
| 3.3 衰减激励信号 |
| 3.4 持续激励信号的产生 |
| 3.4.1 白噪声激励信号 |
| 3.4.2 白噪声的产生方法 |
| 3.5 基本激励条件 |
| 3.5.1 强持续激励条件 |
| 1) 强持续激励条件1 |
| 2) 强持续激励条件2 |
| 3) 强持续激励条件3 |
| 4) 广义强持续激励条件1 |
| 5) 广义强持续激励条件2 |
| 6) 广义强持续激励条件3 |
| 3.5.2 弱持续激励条件 |
| 1) 弱持续激励条件1 |
| 2) 弱持续激励条件2 |
| 3) 弱持续激励条件3 |
| 4) 广义弱持续激励条件1 |
| 5) 广义弱持续激励条件2 |
| 6) 广义弱持续激励条件3 |
| 3.5.3 衰减激励条件 |
| 1) 衰减激励条件1 |
| 2) 衰减激励条件2 |
| 3.5.4 其他激励条件 |
| 4 参数估计性质及分析工具 |
| 4.1 参数估计的统计性质 |
| 1) 无偏性 (unbiasness) |
| 2) 渐近无偏性 (asymptotical unbias) |
| 3) 一致性 (consistency) |
| 4) 均方收敛性 (mean square convergence) |
| 5) 有效性 |
| 4.2 Cramér-Rao不等式 |
| 4.3 实用有界收敛性 |
| 1) 一致收敛性 (consistent converegnce) |
| 2) 有界收敛性 (bounded converegnce) |
| 3) 一般收敛性 (general convergence) |
| 4.4 收敛性分析的基本工具 |
| 5 典型辨识算法的收敛定理 |
| 5.1 线性回归模型 |
| 5.1.1 递推最小二乘算法 |
| 1) 基本算法 |
| 2) 递推最小二乘算法的计算量 |
| 3) 递推最小二乘算法计算步骤 |
| 4) 收敛定理 |
| 5.1.2 随机梯度辨识算法 |
| 5.2 伪线性回归模型Ⅰ |
| 5.2.1 递推增广最小二乘算法 |
| 5.2.2 增广随机梯度辨识算法 |
| 1) 基于残差的ESG算法 |
| 2) 基于新息的ESG算法 |
| 5.3 伪线性回归模型Ⅱ |
| 5.3.1 辅助模型递推最小二乘算法 |
| 5.3.2 辅助模型随机梯度辨识算法 |
| 5.4 伪线性回归模型Ⅲ |
| 6 结语 |
（9）双率采样数据系统的辨识（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 问题提出与研究意义 |
| 1.2 双率采样系统的国内外研究现状 |
| 1.2.1 率采样系统的辨识模型研究现状 |
| 1.2.2 率采样系统的辨识算法研究现状 |
| 1.3 本文主要研究内容 |
| 第二章 损失数据时间序列模型 |
| 2.1 引言 |
| 2.2 损失数据自回归模型的辨识 |
| 2.2.1 辨识算法推导, |
| 2.2.2 算法性能分析 |
| 2.2.3 仿真例子 |
| 2.3 损失数据自回归滑动平均模型的辨识 |
| 2.3.1 辨识算法推导 |
| 2.3.2 仿真例子 |
| 2.4 小结 |
| 第三章 双率采样方程误差系统 |
| 3.1 引言 |
| 3.2 多项式变换技术 |
| 3.3 双率采样系统的增广最小二乘辨识算法 |
| 3.3.1 辨识算法推导 |
| 3.3.2 算法性能分析 |
| 3.3.3 仿真例子 |
| 3.4 双率采样系统的递阶最小二乘辨识算法 |
| 3.4.1 辨识算法推导 |
| 3.4.2 算法性能分析 |
| 3.4.3 仿真例子 |
| 3.5 双率采样系统的修正随机梯度辨识算法 |
| 3.5.1 辨识算法推导 |
| 3.5.2 算法性能分析 |
| 3.5.3 仿真例子 |
| 3.6 小结 |
| 第四章 双率采样输出误差系统 |
| 4.1 引言 |
| 4.2 白噪声干扰下的双率采样输出误差系统辨识 |
| 4.2.1 基于辅助模型的双率采样系统辨识 |
| 4.2.2 基于偏差补偿原理的递推最小二乘算法 |
| 4.2.3 算法的仿真比较 |
| 4.3 有色噪声干扰下的双率采样输出误差系统辨识 |
| 4.3.1 基于交互辨识的双率采样偏差补偿算法 |
| 4.3.2 基于辅助模型的递推预测估计算法 |
| 4.3.3 仿真例子 |
| 4.4 小结 |
| 第五章 非均匀采样数据系统 |
| 5.1 引言 |
| 5.2 非均匀采样数据系统描述 |
| 5.3 非均匀采样系统的多新息随机梯度算法 |
| 5.3.1 辨识算法推导 |
| 5.3.2 算法性能分析 |
| 5.3.3 仿真例子 |
| 5.4 小结 |
| 第六章 结论与展望 |
| 6.1 研究结论 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读博士学位期间发表的论文 |
（10）基于加权多新息方法的系统辨识（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景和研究意义 |
| 1.2 系统辨识方法综述 |
| 1.3 课题研究内容 |
| 第2章 系统辨识模型以及加权多新息算法 |
| 2.1 离散时间随机系统模型 |
| 2.2 基于投影法的加权多新息算法 |
| 2.2.1 算法推导 |
| 2.2.2 算法仿真 |
| 2.3 基于随机梯度法的加权多新息算法 |
| 2.3.1 算法提出 |
| 2.3.2 算法仿真 |
| 2.4 加权多新息遗忘梯度算法 |
| 2.4.1 算法提出 |
| 2.4.2 算法仿真 |
| 2.5 本章小结 |
| 第3章 加权多新息方法在CARMA 模型上的应用 |
| 3.1 增广随机梯度算法 |
| 3.2 加权多新息增广随机梯度算法 |
| 3.3 算法仿真 |
| 3.4 本章小结 |
| 第4章 加权多新息方法在DA 模型上的应用 |
| 4.1 广义随机梯度法 |
| 4.2 加权多新息广义随机梯度法 |
| 4.3 算法仿真 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
四、时变多变量系统多新息投影算法的均方收敛性（论文参考文献）
- [1]鳍—水舱综合减摇系统耦合分析及控制策略研究[D]. 毕文鹏. 哈尔滨工程大学, 2017(06)
- [2]系统辨识算法的复杂性、收敛性及计算效率研究[J]. 丁锋. 控制与决策, 2016(10)
- [3]输出误差系统的多新息辨识方法[J]. 丁锋. 南京信息工程大学学报(自然科学版), 2015(06)
- [4]数据与模型融合的无模型改进控制算法研究[D]. 孙敏敏. 中北大学, 2014(08)
- [5]特征模型自适应控制方法在网络控制系统中的应用研究[D]. 戴红飞. 中北大学, 2013(10)
- [6]辨识方法的计算效率（1）:递推算法[J]. 丁锋. 南京信息工程大学学报(自然科学版), 2012(04)
- [7]系统辨识（6）:多新息辨识理论与方法[J]. 丁锋. 南京信息工程大学学报(自然科学版), 2012(01)
- [8]系统辨识（3）:辨识精度与辨识基本问题[J]. 丁锋. 南京信息工程大学学报(自然科学版), 2011(03)
- [9]双率采样数据系统的辨识[D]. 丁洁. 江南大学, 2011(02)
- [10]基于加权多新息方法的系统辨识[D]. 常亮. 哈尔滨工业大学, 2010(02)