互质因子摄动模型集的闭环l1鲁棒辨识

鲁棒辨识问题已经逐渐成为国际控制界的一个研究热点，本文首先研究了互质因子摄动模型集的闭环ｌ＾１鲁棒辨识问题，建立了系统的Ａ图象拓扑，提出了ＢＩＢＯ不稳定系统的闭环ｌ＾１鲁棒辨识方法，由该方法得到的结果是具体代表性的互质因子摄动模型集。     

递推l1鲁棒便是方法研究

研究了基于含ｌ＾１范数约束非结构不确定性因子的模型集描述的动态系统的ｌ＾１鲁棒辨识问题。首先在较缭的先验条件下导出了受系统参数集为Ｒ＾ｎ空间一凸多面体;然后通过求解该多面体的最小外框给出了名义时域模型的一次完成辨识方法和限定数据窗递推辨识方法,并给出了辨识误差界;最后对递推辨识算法进行了理论分析,算例仿真表明了算法的有效性。     

l~1鲁棒辨识收敛性态的研究

研究ｌ~１鲁棒辨识的渐近收敛性，提出一种有效的辨识算法，并分析了该算法的可行性和收敛性。     

l1鲁棒辨识:最小二乘算法及试验设计

现有的l^1鲁棒辨识方法依赖于观测数据窗的起始时刻因而不能用来辨识时变系统,针对该问题基于最小二乘法提出了一种l^1鲁棒辨识算法．该算法与观测窗的起始时刻无关,可用于时变系统的辨识．证明了当试验输入为持续激励信号时所提出的算法为本质最优算法,进一步证明了周期持续激励序列为最优试验信号,并给出了辨识误差紧界的计算公式．最后利用提出的算法研究了慢时变系统的l^1鲁棒辨识问题．     

离散非线性系统Worst-Case辨识--小波逼近法

利用小波逼近的软阈（Ｓｏｆｔ－Ｔｈｒｅｓｈｏｌｄｉｎｇ）方法，研究了离散非线性系统的Ｗｏｒｓｔ－Ｃａｓｅ辨识问题．证明了该算法在Ｗｏｒｓｔ－Ｃａｓｅ误差下的拟最优性和光滑性；估计了该算法的Ｗｏｒｓｔ－Ｃａｓｅ误差：给出了存在鲁棒收敛的辨识算法的充要条件；最后，证明了小波网逼近算法是鲁棒收敛的．     

离散非线性系统Worst—Case辨识——小波逼近法

利用小波逼近的软阈方法，研究了离散非线性系统的ＷｏｒｓｔＣａｓｅ辨识问题。证明了该算法在Ｗｏｒｓｔ－Ｃａｓｅ误差下的拟最优性和光滑性；估计了该算法的Ｗｏｒｓｔ－Ｃａｓｅ误差；给出了存在鲁棒收敛的辨识算法的充要条件；最后，证明了小波网逼近算法是鲁棒收敛的。     

L1鲁棒辨识收敛性态的研究

研究Ｌ１鲁棒辨识的渐近收敛性，提出一种有效的辨识算法，并分析了该算法的可行性和收敛性。     

l1鲁棒辨识: 最小二乘算法及试验设计

现有的l¹鲁棒辨识方法依赖于观测数据自的起始时刻因而不能用来辨识时变系统, 针对该问题基于最小二乘法提出了一种l¹鲁棒辨识算法. 该算法与观测窗的起始时刻无关, 可用于时变系统的辨识, 证明了当试验输入为持续激励信号时所提出的算法为本质最优算法, 进一步证明了周期持续激励序列为最优试验信号, 并给出了辨识误差紧界的计算公式. 最后利用提出的算法研究了慢时变系统的l¹鲁棒辨识问题.     

面向l1鲁棒控制的系统辨识 *

本文研究面向ｌ＾１控制的辨识方法，提出了有理分式名义模型及最坏情况下辨识误差的ｌ＾１范数界的两步估计方法。由该方法得到的辨识模型集可直接用于ｌ＾１控制顺设计。     

一种鲁棒BP算法及其在非线性动态系统辨识中的应用

利用多层前馈神经网络的非线性建模特性，基于动态ＢＰ网络的串并联和并联模型，提出了一种高鲁棒性ＢＰ算法，与传统的ＢＰ算法相比，鲁棒ＢＰ算法有５个优点：（１）适合于非线性动态系统辨识，（２）辨识精度高；（３）不必内插所有训练样本；（４）具有高鲁棒性，能抵制过失误差和量测误差；（５）收敛速度得到了改进，因为错误差样本的影响得到了适度的抑制，把该算法用于非线性动态系统辨识，仿真结果表明此方法是有效的。     

频域数据非均匀采样时的H_∞鲁棒辨识

考虑了未知系统数据样本在复平面单位圆周上任意采样时的鲁棒辨识问题 ,围绕着充分利用快速傅立叶算法及更有效的利用验后信息 ,提出了一种有效的数据处理方式 ,获得了辨识算法的鲁棒收敛性     

一类非线性时滞系统的H∞模糊控制器的设计——LMI方法

考虑了未知系统数据样本在复平面单位圆周上任意采样时的鲁棒辨识问题,围绕着充分利用快速傅立叶算法及更有效的利用验后信息,提出了一种有效的数据处理方式,获得了辨识算法的鲁棒收敛性.     

一种鲁棒的总体最小二乘自适应辨识算法

针对输入输出观测数据均含有噪声的系统辨识问题，提出了一种鲁棒的总体最小二乘自适应辨识算法．该算法在对总体最小二乘问题与向量的瑞利商及其性质研究的基础上，以被辨识系统的增广权向量的瑞利商(RQ)作为损失函数，利用梯度最陡下降原理导出权向量的自适应迭代算法，并利用随机离散学习规律对权向量模的分析修正了算法梯度，提高了算法的噪声鲁棒性，构成了一种噪声鲁棒的总体最小二乘自适应辨识算法．文中研究了该算法的收敛性能．仿真实验结果表明该算法的鲁棒抗噪性能和稳态收敛精度明显高于其它同类方法，而且可使用较大的学习因子，在较高的噪声环境下仍然保持良好的收敛性．     

基于动态神经网的非线性鲁棒辨识

研究了一类基于动态神经网络的未知非线性多变量系统的鲁棒辨识问题，用Ｌｙａｐｕｎｏｖ稳定性理论获得了具有保护策略的鲁棒调权律，从理论上证明了被辨识的系统是鲁榛 ，辨识误差按建模误差和未建模动态收敛到一个稳定区域，该策略的特点是不需要离线学习又不需要对象的状态完全可测，仿真结果验证了提出的动态网鲁棒辨识策略的有效性。     

基于Volterra泛函级数的非线性系统的鲁棒辨识

针对弱非线性系统的鲁棒建模问题, 基于Volterra泛函级数, 结合集员辨识理论, 提出了广义频率响应函数的鲁棒辨识方法, 形成了一套较完整的弱非线性系统的鲁棒建模方法, 仿真结果表明该方法是行之有效的.     

不确定性系统的鲁棒辨识及其发展

对适合控制的辨识即鲁棒辨识的发展作了综述。首先给出鲁棒辨识的缘由、提法和一些基本概念；然后讨论了集员辨识的理论和发展，Ｈ∞辨识以及部分结论；最后论述了适合控制的辨识理论的进一步发展。     

两步H∞辨识算法的一个近似最优的误差上界

利用逼近理论中的n-宽度和Bernstain不等式,以一般性的窗口系数为变量,对鲁棒 辨识中的两步H∞辨识算法,建立了一个近似最优的误差上界函数.该函数是窗口系数的凸 函数,它不仅可用于计算任意窗口系数对应的辨识误差上界,还为优化选择两步H∞ 辨识算 法的窗口系数提供了可行途径.     

基于Haar 小波变换的连续时间系统鲁棒参数辨识

给出用Ｈａａｒ小波对连续时间系统的鲁棒辨识方法。该方法在用Ｈａａｒ小波对系统输入和输入展开时,通过极小化一个鲁棒指标来减少噪声对展开系数的影响。因此对连续时间系统可获得鲁棒参数估计。仿真结果表明了该算法的有效性。     

l_1系统辨识中的代数算法及其Worst－case误差

讨论单输入单输出、离散时不变因果系统的ｌ１系统辨识问题。首先提出基于代数方法的代数算法，并分析了该算法的特点；然后估计其Ｗｏｒｓｔ－ｃａｓｅ误差，并证明了该算法的收敛性；最后讨论了在某些特殊情况下该算法的相应形式。所给结果是面向鲁棒控制的。     

一种用于非参数系统辨识的粗糙进化方法

提出了一种用于非参数系统辨识的粗糙进化方法,该方法由嵌入ＡｐＥｎ的进化计算（ＥＣ）、进化粗糙集、基于信息论的组合型进化策略（ＥＳ）５和鲁棒非参数系统辨识所构成,该方法已用于Ｌｏｇｉｓｔｉｃ方程的辨识,这对于诸如家用电器的地系统来说也属于一种实用的技术,实验结果表明了文中方法的实用性和有效性。