群智能优化在非线性系统辨识中的应用研究

"系统辨识若干问题的研究" 这篇博士学位论文详细探讨了系统辨识领域的几个关键问题，主要包括群智能优化、非线性系统、结构辨识、多变量系统以及闭环辨识。作者汪克文在导师斯其兵教授的指导下，对这些主题进行了深入的研究。 系统辨识是自动控制理论中的一个重要分支，它旨在通过对实际系统的观测数据进行分析，建立能够准确描述系统行为的数学模型。这篇论文聚焦于这一领域中的一些挑战性问题，首先提到了群智能优化技术。群智能优化是一种利用生物群体行为（如蚂蚁算法、粒子群优化等）来解决复杂优化问题的方法，它在系统辨识中可用来寻找最优参数，以提高模型的拟合度和预测能力。 非线性系统是现实世界中普遍存在的，它们的行为往往比线性系统更复杂，难以理解和建模。论文可能涵盖了如何使用非线性模型来有效识别这类系统，包括非线性动态模型的选择、参数估计和稳定性分析等方面。 结构辨识是确定系统内部结构的过程，包括输入、输出和内部状态之间的关系。论文可能讨论了如何在缺乏充分先验信息的情况下，通过数据分析确定系统的正确结构，这可能涉及到各种辨识算法，如基于递归最小二乘法或基于模型的结构辨识方法。 多变量系统是指具有多个输入和输出的复杂系统，它们的辨识和控制更具挑战性。论文可能研究了如何处理变量间的耦合效应，以及如何设计有效的辨识策略来处理这些系统。 最后，闭环辨识关注的是在系统处于闭环状态（即有反馈存在）时的辨识问题。闭环辨识通常比开环辨识更困难，因为反馈可能会掩盖系统的某些特性。论文可能介绍了如何在闭环条件下进行系统辨识，以确保模型能够反映系统的实际动态特性。 这篇论文的关键词揭示了研究的核心内容，包括群智能优化算法在系统辨识中的应用，非线性系统的建模，结构辨识的技术，多变量系统的处理，以及闭环条件下的辨识策略。论文的答辩日期为2014年11月30日，表明这是该领域的最新研究成果之一，对于理解并改进实际系统的建模和控制具有重要意义。