內容簡介
《系統辨識:辨識方法性能分析》由科學出版社出版。作者剛剛在貴出版社出版的《系統辨識新論》主要探討系統辨識的新方法。這本《系統辨識―－辨識方法性能分析》是又一部力作，主要研究辨識方法的性能，包括從新視角研究經典辨識方法的性能，以及作者發表在國際著名期刊上新型辨識方法的性能。這是中國第一部詳細研究辨識方法的著作，在國際上也屬於前沿。
作者介紹
丁鋒，男，湖北廣水人，2004年受聘為江南大學“太湖學者”特聘教授，博士生導師。1980年9月～1988年8月湖北工業大學本科生、湖北製藥廠變配電技術員：1988年9月～2002年6月清華大學碩士、博士研究生(獲優秀博士論文)、講師、副教授；2002年7月～2005年10月加拿大阿爾伯塔大學(university of Albeta，埃德蒙頓)博士後、研究員；2006年3～5月香港科技大學研究員：2008年5～12月加拿大卡爾頓大學(Carleton university，渥太華)訪問教授，2009年1～10月加拿大瑞爾森大學(Ryerson University，多倫多)研究員。發表論文300餘篇，其中SCI收錄99篇、EI收錄186篇，32篇SCI論文列入2001年1月1日～2011年12月31日ESI高被引論文全球前1%。
他提出和創立了輔助模型辨識思想、多新息辨識理論、遞階辨識原理、耦合辨識概念。在輔助模型辨識、多新息辨識、遞階辨識、耦合辨識領域作出了傑出貢獻，提出了一系列辨識新方法，研究了一系列參數估計算法的性能。他在系統辨識方面所取得的最新研究成果代表著系統辨識學科的前沿之一，尤其在辨識新方法、辨識方法收斂性分析等方面所作的貢獻都是具有前瞻性和開創性的研究。
圖書目錄
系統辨識學術專著叢書
序
前言
主要符號說明
第1章隨機過程與鞅理論
1.1引言
1.2隨機過程的數學描述
1.2.1隨機過程的概念
1.2.2隨機過程的數字特徵
1.2.3寬平穩過程和各態遍歷性
1.2.4隨機過程的譜分解及譜密度函式
1.3激勵信號與激勵條件
1.3.1激勵信號
1.3.2白噪聲及其產生方法
1.3.3基本激勵條件
1.4線性系統在隨機信號輸入下的回響
1.4.1譜密度函式和相關函式
1.4.2互譜密度函式與互相關函式
1.5系統的噪信比及其計算
1.5.1單輸入單輸出系統
1.5.2多輸入多輸出系統
1.6參數估計性質及收斂性
1.6.1參數估計的統計性質
1.6.2Cramer—Rao不等式
1.6.3實用有界收斂性
1.7隨機鞅理論與收斂定理
1.7.1鞅的基本知識
1.7.2鞅收斂定理
1.7.3鞅超收斂定理
1.8小結
1.9思考題
第2章最小二乘類辨識方法及其收斂性
2.1引言
2.2最小二乘參數估計及其性質
2.2.1最小二乘估計
2.2.2最小二乘估計的性質
2.2.3噪聲方差估計定理
2.3遞推最小二乘辨識方法
2.3.1CAR模型的最小二乘估計
2.3.2遞推最小二乘算法
2.3.3遞推最小二乘算法的收斂性
2.3.4RLS算法和基本引理
2.3.5RLS算法的收斂定理
2.4遞推增廣最小二乘辨識方法
2.4.1遞推增廣最小二乘算法
2.4.2R—RELS算法的收斂性
2.4.3I—RELS算法的收斂性
2.5遞推廣義增廣最小二乘辨識方法
2.5.1遞推廣義最小二乘算法
2.5.2遞推廣義增廣最小二乘算法
2.5.3RGELS算法的收斂性
2.6輔助模型遞推最小二乘辨識方法
2.6.1輔助模型遞推最小二乘算法
2.6.2AM—RLS算法的收斂性
2.7輔助模型遞推廣義增廣最小二乘辨識方法
2.7.1輔助模型遞推增廣最小二乘算法
2.7.2輔助模型遞推廣義最小二乘算法
2.7.3輔助模型遞推廣義增廣最小二乘算法
2.7.4AM—RGELS算法的收斂性
2.8遞階最小二乘辨識方法
2.8.1遞階最小二乘辨識算法
2.8.2HLS算法的收斂性
2.9小結
2.10思考題
第3章最小二乘類辨識方法有界收斂性
3.1引言
3.2遞推最小二乘辨識方法
3.2.1遞推最小二乘算法
3.2.2MRLS參數估計誤差界
3.2.3仿真試驗
3.3遺忘因子遞推最小二乘辨識方法
3.3.1遺忘因子遞推最小二乘算法
3.3.2FF—RLS算法參數估計誤差界
3.3.3仿真實驗
3.4輔助變數遞推最小二乘辨識方法
3.4.1輔助變數最小二乘估計
3.4.2輔助變數遞推最小二乘算法
3.4.3IV—RLS算法參數估計誤差界
3.5衰減激勵下遞推最小二乘辨識算法誤差界
3.5.1RLS算法與基本引理
3.5.2RLS算法參數估計誤差上界
3.6衰減激勵下遞階最小二乘辨識算法誤差界
3.6.1HLS算法與基本引理
3.6.2HLS算法參數估計誤差上界
3.7時變系統遺忘因子最小二乘辨識方法
3.7.1時變系統的遞推最小二乘類辨識方法
3.7.2遺忘因子最小二乘算法的誤差上界（Ⅰ）
3.7.3遺忘因子最小二乘算法的誤差上界（Ⅱ）
3.7.4變遺忘因子遞推最小二乘算法
3.7.5有限數據窗遞推最小二乘算法性能分析
3.8小結
3.9思考題
第4章隨機梯度類辨識方法及其收斂性
4.1引言
4.2隨機梯度辨識方法
4.2.1隨機梯度辨識算法
4.2.2仿真試驗
4.2.3SG算法的收斂性
4.3修正隨機梯度辨識方法
4.3.1修正隨機梯度算法
4.3.2仿真試驗
4.3.3M—SG算法的收斂性
4.4增廣隨機梯度辨識方法
4.4.1基於殘差的增廣隨機梯度算法
4.4.2R—ESG算法的收斂性
4.4.3基於新息的增廣隨機梯度算法
4.4.4I—ESG算法的收斂性
4.5廣義增廣隨機梯度辨識方法
4.5.1廣義隨機梯度算法
4.5.2廣義增廣隨機梯度算法
4.5，3GESG算法的收斂性
4.6輔助模型廣義增廣隨機梯度辨識方法
4.6.1輔助模型隨機梯度算法
4.6.2AM—SG算法的收斂性
4.6.3輔助模型廣義增廣隨機梯度算法
4.6.4AM—GESG算法的收斂性
4.7時變系統遺忘因子隨機梯度辨識方法
4.7.1遺忘梯度算法與基本引理
4.7.2遺忘梯度算法的誤差上界（Ⅰ）
4.7.3遺忘梯度算法的誤差上界（Ⅱ）
4.8小結
4.9思考題
第5章最小均方類辨識方法及其收斂性
5.1引言
5.2時不變確定性系統投影辨識方法
5.2.1確定性系統的投影算法
5.2.2投影辨識算法的收斂性
5.3時變系統廣義投影辨識方法
5.3.1廣義投影辨識算法
5.3.2廣義投影算法參數估計誤差上界
5.4時不變系統最小均方辨識方法
5.4.1LMS算法與基本引理
5.4.2LMS算法參數估計收斂性
5.5時變系統最小均方辨識方法
5.5.1LMS算法與基本引理
5.5.2LMS算法參數估計誤差上界
5.6時不變確定性系統多新息投影辨識方法
5.6.1多新息投影算法與基本引理
5.6.2多新息投影算法參數估計收斂性
5.7時不變隨機系統多新息投影辨識方法
5.7.1多新息投影算法與基本引理
5.7.2多新息投影算法參數估計收斂性
5.8小結
5.9思考題
第6章多變數系統辨識方法及其收斂性
6.1引言
6.2多變數系統類別與辨識模型
6.2.1多變數系統類別
6.2.2辨識模型的類別
6.3多變數受控自回歸系統
6.3.1多變數隨機梯度辨識算法
6.3.2MSG辨識算法的收斂性
6.3.3仿真試驗
6.4多變數受控自回歸滑動平均系統
6.4.1多變數增廣隨機梯度辨識算法
6.4.2MESG辨識算法的收斂性
6.4.3仿真試驗
6.5多元線性回歸系統
6.5.1多元遞推最小二乘辨識算法
6.5，2M—RLS辨識算法的收斂性
6.5.3多元隨機梯度辨識算法
6.5.4M—SG辨識算法的收斂性
6.5.5仿真試驗
6.6多元偽線性回歸滑動平均系統
6.6.1多元遞推增廣最小二乘辨識算法
6.6.2M—RELS辨識算法的收斂性
6.6.3多元增廣隨機梯度辨識算法
6.6.4M—ESG辨識算法的收斂性
6.7類多變數受控自回歸系統
6.7.1傳遞函式陣主模型
6.7.2遞階梯度疊代算法
6.7.3遞階隨機梯度辨識算法
6.7.4遞階最小二乘疊代算法
6.7.5遞階最小二乘辨識算法
6.7.6遞階最小二乘算法的收斂性
6.8小結
6.9思考題
參考文獻
附錄A疊代方法族
A.1雅可比疊代和高斯—賽德爾疊代
A.2疊代方法族
附錄B卡爾曼濾波算法與參數估計
B.1Kalman濾波器
B.2線性時變系統的卡爾曼濾波算法
