具体描述
作者简介
目录信息
绪论
1数学基础
1.1引言
1.2矩阵理论基础
1.2.1定义和基本运算
1.2.2方阵的行列式和逆
1.2.3对称矩阵及其正定性
1.2.4分块矩阵的行列式及其求逆公式
1.2.5矩阵（或向量）的微分运算
1.3概率论基础
1.3.1随机事件、样本空间和概率
1.3.2随机变量及其分布律
1.3.3随机变量的数字特征
1.3.4随机变量序列的收敛性
1.4随机过程
1.4.1随机过程及其分布律
1.4.2随机过程的数字特征
1.4.3平稳随机过程
2经典的辨识方法
2.1引言
2.2阶跃响应法
2.2.1由阶跃响应曲线确定一阶非周期环节的参数
2.2.2确定具有纯时延的一阶非周期环节的参数
2.2.3确定二阶环节的参数
2.3脉冲响应法
2.3.1一阶非周期环节
2.3.2二阶环节
2.4频率响应法
2.4.1由实验测定系统的频率响应（频率特性）
2.4.2由实验频率响应（频率特性）辨识传递函数
2.5相关分析法
2.5.1相关函数
2.5.2脉冲响应的辨识
2.6谱分析法
2.6.1巴塞伐尔（Parseva1）定理与功率谱表达式
2.6.2维纳－辛钦（Wiener－Khintchine）公式
2.6.3线性系统在随机输入下的响应
2.6.4相关函数和谱密度的估计
2.6.5谱分析法
2.7小结
习题和思考题
3最小二乘的辨识方法
3.1引言
3.2最小二乘估计的一次完成算法
3.2.1最小二乘估计原理
3.2.2最小二乘估计量的统计性质
3.3最小二乘估计的递推算法
3.3.1单输入－单输出系统
3.3.2多输入－多输出系统
3.4适应性算法
3.4.1渐消记忆法
3.4.2限定记忆法
3.5最小二乘估计的缺陷
3.6辅助变量法
3.6.1基本思想
3.6.2普通的辅助变量估计
3.6.3辅助变量估计的递推算法
3.7广义最小二乘法
3.7.1基本思想
3.7.2广义最小二乘松弛算法
3.7.3广义最小二乘的递推算法
3.8增广最小二乘法
3.8.1基本思想
3.8.2增广最小二乘法算法
3.9各种参数估计算法的比较
3.10递推算法的数值稳定问题
3.10.1平方根滤波算法
3.10.2UD分解算法
3.11小结
习题与思考题
4模型阶次的确定
4.1引言
4.2模型阶次的确定
4.2.1损失函数法
4.2.2F检验法
4.2.3AIC准则
4.3时延的确定
4.3.1时延的估计
4.3.2阶次和时延的联合确定
4.4小结
习题
5系统辨识中的实际问题
5.1引言
5.2模型结构的选择
5.3输入信号的选择
5.4闭环系统的辨识
5.4.1间接辨识法
5.4.2直接辨识法
5.5离线和在线辨识
5.6采样周期和试验长度的选择
5.6.1数据采样
5.6.2数据的预处理
5.6.3试验长度的选择
5.7模型检验
5.8小结
习题
6系统辨识技术应用实例
6.1引言
6.2实验室温度控制装置的建模
6.2.1实验系统
6.2.2实验设计和频率响应的辨识
6.2.3模型结构和参数估计
6.3罩式退火炉数学模型的建立
6.3.1结构与工艺要求
6.3.2飞升曲线和静特性实验
6.3.3输入信号的设计
6.3.4用单板机产生伪随机信号
6.3.5实验过程
6.3.6数学模型的确定
6.4电弧炉电极调节系统的建模
6.4.1电弧炉结构与工艺要求
6.4.2系统模型
6.4.3数据采集及模型阶次和时延的确定
6.4.4参数估计
6.5小结
思考题与习题
附录A 几种参数估计算法的程序
附录B F分布表
参考文献
· · · · · · (收起)
读后感
用户评价
读完前几章后，我最大的感受是，作者的行文风格非常古典，甚至有些“学术腔”。句子结构复杂，逻辑链条极长，仿佛每句话都要承载起前一句的所有内涵。这对于习惯了现代网络语言和碎片化阅读的我来说，无疑是一种挑战。我常常需要反复阅读同一个段落，才能准确捕捉到作者想要表达的核心思想。书中对某些核心概念的定义和推导过程，显得尤为冗长，仿佛生怕读者遗漏了任何一个细微的数学推导步骤。然而，这种详尽也带来了一个问题：重点不够突出。很多我作为初学者急需弄懂的关键转折点，却被埋没在一大片基础性论述之中，难以快速定位。我更希望看到的是清晰的逻辑树状图，或者用粗体字标出的关键定理和假设，这样能帮助我更快地构建知识框架。相比于理论的完备性，我更看重的是阅读的效率和知识获取的流畅性。这本书更像是一份需要耐心“考古”的珍贵文献，而不是一本可以快速翻阅的工具书。
这本书的封面设计着实吸引人，那种深沉的蓝与冷静的灰的搭配，给人一种严谨而深邃的感觉，我本来是冲着这个排版来的，希望能找到一本真正能静下心来读的专业书籍。内容上，它似乎更偏向于理论基础的构建，而非直接的应用案例。我花了大量时间去研读其中关于随机过程和矩阵代数的部分，文字叙述得相当详尽，但总觉得缺乏一种“桥梁”，连接理论的深海与实际工程问题的彼岸。举例来说，当涉及到高斯白噪声的处理时，作者用了大量的篇幅来阐述其统计特性，这对于打基础是好的，可是一旦我想把它应用到我正在处理的传感器数据滤波上，却发现缺少了那种“实战指南”。比如，对于卡尔曼滤波的具体模型选择和参数调优，书中只是点到为止，似乎默认读者已经有足够的背景知识可以自行推导出后续步骤。我期待的是一种更具引导性的叙述，像一位经验丰富的老工程师在手把手地教我如何一步步搭建起一个可运行的模型，而不是仅仅罗列出那些优美的数学公式。整体感觉，这是一本学术性大于应用性的著作，适合那些希望在数理基础层面深挖的进阶学习者。
我本以为这是一本可以作为我工作辅助的参考手册，然而，这本书的案例分析环节实在是过于理想化了。书中所举的例子，比如对一个理想化的弹簧阻尼系统的分析，其参数设定得过于“完美”，使得整个求解过程一帆风顺，结论也是干净利落。这与我日常处理的真实世界数据截然不同，真实的数据总是充满了噪声、延迟和不确定性。我希望能看到更多“脏数据”的处理经验，比如在数据采集受到限制的情况下，如何进行模型辨识，或者当模型结构存在严重错误时，如何通过鲁棒性分析来保证估计结果的可靠性。书中的讨论似乎停留在“如果一切都按部就班”的假设下，这在理论探讨中或许无可厚非，但对于希望将知识应用于实践的读者来说，这种“无菌室”般的分析环境让人感到有些脱节和不真实。我更需要的是那些在现实泥泞中摸爬滚打出来的经验之谈。
这本书的章节逻辑安排，虽然在宏观上是自洽的，但在微观的知识点过渡上，衔接得不够平滑。很多时候，作者从一个基础概念跳跃到下一个更复杂的概念时，中间缺少了必要的“过度桥梁”，让人感到突兀。比如，在介绍完最基本的线性系统后，直接引入了非线性的处理框架，但对于如何从线性思维自然过渡到非线性思维的思维转变过程，书中没有做足够的铺垫和心理疏导。这使得读者在遇到思维上的“坎”时，容易产生挫败感，并可能直接跳过那些难以理解的部分，从而导致知识体系上的断层。一本好的书籍，应该像一位循循善诱的导师，预见到学生可能在哪里绊倒，并提前设置好拐杖和扶手。这本书的结构更像是一份结构严谨的学术论文集，而非一本旨在普及和引导入门的教学读物，对于自学来说，需要非常强的自我驱动力和扎实的预备知识储备。
这本书的排版和印刷质量确实是上乘的，纸张选料厚实，装帧坚固，看起来就很有分量感。特别是那些复杂的公式和图表，排版得非常清晰，没有出现我担心的墨水洇开或者数字模糊的问题。从物质载体的角度来看，它绝对称得上是一流的制作。但内容上，它似乎过于聚焦于单一的方法论体系，缺乏对不同流派和技术路线的横向比较。例如，在讨论系统建模时，书中似乎对某一种特定的建模范式表现出了明显的偏爱，而对其他同样重要的、甚至是更适应现代计算环境的新兴方法，却提及甚少或者一笔带过。这使得这本书的视野显得有些受限，读完后我感觉自己学到了一套深入的“老派”方法，但在面对当前工业界更推崇的基于数据驱动或混合模型时，却感到知识储备有所欠缺。一本好的教材，应该能提供一个更广阔的视野，让读者在掌握核心技术的同时，也能洞悉领域的发展趋势和不同方法的适用边界。
