经典译丛·人工智能与智能系统 系统辨识
作者：（瑞典）瑟德斯特伦（Soderstrom T.），斯托伊卡（Stoica P.） 著；陈曦 译
出版时间： 2017年版
丛编项：经典译丛-人工智能与智能系统
内容简介
本书是系统辨识领域的经典著作，内容包括该领域的基本概念和研究成果，以及该领域专家、学者的介绍。全书共12章，包括引言、概论、非参数方法、线性回归、输入信号、模型的参数化、预报误差法、辅助工具变量法、递推辨识方法、闭环工作下的系统辨识、模型验证与模型结构的确定、实际应用。本书在介绍理论的过程中辅以实例，每章末均带有习题。
目录
目录
第1章 引言1
第2章 概论7
2．1相关概念S、M、I、X7
2．2一个基本例子7
2．3非参数方法8
2．4一个参数化方法10
2．5偏差、相容性和近似模型13
2．6一个退化的实验条件17
2．7反馈的作用19
总结与展望20
习题22
推荐文献23
第3章 非参数方法24
3．1介绍24
3．2瞬态分析24
3．3频率分析28
3．4相关性分析30
3．5谱分析31
小结35
习题36
推荐文献39
附录A3．1协方差函数、谱密度、线性滤波39
附录A3．2相关性分析的精度41
第4章 线性回归43
4．1最小二乘估计43
4．2最小二乘估计分析47
4．3最优线性无偏估计48
4．4确定模型维数51
4．5相关计算54
小结56
习题56
推荐文献60
补充内容C4．1线性约束下的最优线性无偏估计60
补充内容C4．2在线估计线性回归模型的参数62
补充内容C4．3协方差矩阵容许非奇异时线性回归模型的最优线性无偏估计64
补充内容C4．4某类非线性回归模型参数的渐进最优相容估计66
第5章 输入信号70
5．1常用输入信号70
5．2频谱特性73
5．3低通滤波80
5．4持续激励84
小结88
习题89
推荐文献91
附录 A5．1周期信号的频谱性质91
补充内容 C5．1关于持续激励输入的差分方程模型94
补充内容C5．2滤波白噪声的协方差矩阵的条件数96
补充内容 C5．3最长伪随机二进制序列97
第6章 模型的参数化104
6．1模型的分类104
6．2一般的模型类105
6．3唯一性114
6．4可辨识性119
小结119
习题120
推荐文献122
附录A6．1谱分解122
补充内容 C6．1完全多项式模型的唯一性130
补充内容C6．2参数化的唯一性以及输入/输出协方差矩阵的正定性131
第7章 预报误差方法132
7．1最小二乘法回顾132
7．2预报误差方法的具体描述134
7．3最佳预报137
7．4预报误差方法和其他辨识方法的联系141
7．5理论分析144
7．6计算方面151
小结154
习题155
附录 A7．1多变量系统PEM估计的协方差矩阵162
补充内容C7．1依赖于估计所用损失函数的模型近似163
补充内容C7．2ARMA过程的多步预报164
补充内容C7．3全多项式形式模型的最小二乘参数估计167
补充内容C7．4增广最小二乘法169
补充内容C7．5输出误差方法172
补充内容C7．6ARMA过程的PEM损失函数的单峰性178
补充内容C7．7AR和ARMA过程参数的精确极大似然估计180
补充内容C7．8输入、输出数据带噪声的极大似然估计184
第8章 辅助变量法188
8．1辅助变量法描述188
8．2理论分析191
8．3计算方面200
小结202
习 题203
推荐文献205
附录A8．1IV估计的协方差矩阵206
附录A8．2最佳IV与预报误差估计的比较207
补充内容C8．1Yule-Walker方程209
补充内容C8．2Levinson-Durbin算法211
补充内容C8．3一种求解非对称Yule-Walker系统方程的Levinson型算法216
补充内容C8．4最小-最大最佳IV方法220
补充内容C8．5最优加权扩展IV方法221
补充内容C8．6Whittle-Wiggins-Robinson 算法225
第9章 递推辨识方法233
9．1引言233
9．2递推最小二乘法234
9．3实时辨识235
9．4递推辅助变量方法238
9．5递推预报误差方法239
9．6理论分析243
9．7实践方面251
小结253
习题253
推荐文献258
补充内容C9．1递推扩展辅助变量方法259
补充内容C9．2 AR模型的快速最小二乘格型算法261
补充内容C9．3多变量回归模型的快速LS格型算法270
第10章 闭环工作下的系统辨识276
10．1介绍276
10．2可辨识性276
10．3直接辨识281
10．4非直接辨识286
10．5输入/输出联合辨识287
10．6精确性290
小结293
习题294
推荐文献298
附录A10．1联合输入/输出辨识的分析298
补充内容 C10．1预报误差方法运用到运行在一般线性反馈下的ARMAX系统的可辨识性质300
第11章 模型验证与模型类的确定305
11．1介绍305
11．2模型足够灵活吗305
11．3模型太复杂吗312
11．4精简原则316
11．5模型类的比较318
小结325
习题325
推荐文献329
附录A11．1协方差函数检验的分析330
附录A11．2准则函数相对减小的渐近分布333
第12章 实际应用338
12．1介绍338
12．2实验条件X的设计338
12．3处理非零均值和干扰的漂移342
12．4模型类M的确定347
12．5时间延迟352
12．6初始条件353
12．7辨识方法I的选择 354
12．8局部极小点355
12．9稳健性356
12．10模型检验359
12．11软件方面361
12．12结束语361
习题362
推荐文献366
附录A关于矩阵的结果368
A．1分块矩阵368
A．2线性方程的最小二乘解，伪逆以及奇异值分解373
A．3QR方法380
A．4矩阵范数和数值精度385
A．5幂等矩阵388
A．6Sylvester 矩阵391
A．7Kronecker 积393
A．8关于正定矩阵的一个优化问题394
推荐文献395
附录B关于概率论和统计的相关结果396
B．1随机变量的收敛性396
B．2高斯及相关分布399
B．3极大后验和极大似然参数估计405
B．4Cramér-Rao下界406
B．5最小方差估计409
B．6条件高斯分布410
B．7Kalman-Bucy 滤波412
B．8渐进413
B．9Monte Carlo分析的精度417
推荐文献419
参考文献421
术语表437
部分习题答案及提示440