1、“.....那么，此时得到的参数值就是估计参数值。三种方法所应用的广泛性不同。最小二乘法是应用最广泛的参数辨识方法，工程上容易实现，鲁棒性强，可直接获得过程参数模型，并且对线性过程具有良好的辨识效果。极大似然法可以应用于参数非线性的回归模型，而最小二乘法般不可以应用于参数非线性的回归模型。梯度校正法的个显著优点就是计算量小计算简单，在定条件下也可用于在线实时辨识，但是当过程的输入输出含有噪声时，它要求必须预先知道噪声的统计特性，这将大大限制了梯度校正法的使用范围。三种方法的参数估计量的性质存在明显的差异。参数估计量的统计特性包括无偏性致性和有效性。般，通过参数估计量的统计特性就可以衡量它的优良度和可信度，进而确认相应辨识算法的实用价值。最小二乘估计量是最优线性无偏估计量，当模型噪声为白噪声时，利用最小二乘法可获得无偏估计量对高阶模型来说，性能明显优于其它方法，而且具有比较可靠的收敛性。渐进性质是极大似然估计量的普遍特性，然而无偏性却不定是所有极大似然估计量都具有的性质，即渐进无偏估计量不定是无偏估计量......”。

2、“.....虽然计算量小，但算法收敛速度较慢除此之外，其对噪声的干扰比较敏感，参数估计波动较大。梯度校正法中，权矩阵的选至关重要。输入输出数据向量的各分量直接影响参数估计值，而权矩阵的作用则是用来控制各输入输出分量对参数估计值的影响程度。只有当权矩阵满足定条件时，梯度校正法的参数估计值才能保证是大范围致渐近收敛的，如果有个条件不满足，所的参数估计值就不是渐近收敛的。除此之外，权矩阵选择的最佳与否将直接影响参数估计值收敛于真值的快慢。因此，在应用梯度校正法辨识模型参数时，要实现辨识参数的无偏致有效性将是很复杂的，必须考虑权矩阵的选取条件。中北大学届毕业论文第页共页综上所述，最小二乘法最简单实用，即可用于动态系统静态系统线性系统和非线性系统的参数估计，也可用于离线和在线估计。其递推算法收敛可靠，并且当方程误差为白噪声时，可得到无偏致和有效的估计，从而得到广泛应用。通过对三种辨识方法的比较，考虑到辨识的快速性辨识精度及准确性等方面，本课题选用最小二乘法作为本课题背景模型参数的辨识研究方法......”。

3、“.....在模型输入输出数据的基础上，运用辨识方法对模型参数进行辨识，从而得到个与所观测的系统在实际特性上等价的系统。应用最小二乘法对系统模型参数进行辨识的方法有离线辨识和在线辨识两种。离线辨识是在采集到系统模型所需全部输入输出数据后，用最小二乘法对数据进行集中处理，从而获得模型参数的估计值而在线辨识是种在系统运行过程中进行的递推辨识方法，所应用的数据是实时采集的系统输入输出数据，应用递推算法对参数估计值进行不断修正，以取得更为准确的参数估计值由于在线辨识方法具有实时采集系将结束，美丽的中北大学给了我机会学习更多知识。老师的谆谆教导，父母的殷切期望，同学的互相勉励给我留下了美好而深刻的回忆。在这四年里不仅学习到了先进的专业知识，增强了自身专业素质的修养，更为重要的是曾经在自己的学习和生活中给予帮助的老师和同学，正是由于这些无私的帮助以及学校和老师提供的良好的学习环境才使得我能够顺利的毕业。本论文从选题到完成，离不开导师侯文老师的悉心指导，在整个论文的分析研究及撰写的过程中，侯老师指引着我前进的方向......”。

4、“.....侯老师学识之渊博洞察力之敏锐使我获益匪浅他的严谨治学态度和高度工作责任感是我今后学习和工作的榜样。是我生中最宝贵的财富。在这里也要感谢我的家人，他们在物质和精神上给了我莫大的支持。感谢我们班的所有同学在学习和生活中给予我的帮助，使我度过了难忘的四年大学生活，顺利完成学业。再次感谢支持和帮助过我的老师亲人和朋友,度上依赖于结构已知的系统数学模型，而且现代控制理论是严格建立在被控对象的数学模型的前提下的，控制算法对被控对象的精度要求很高，没有精确的模型要实现种先进的控制方案是非常困难的。因此，为了提高控制能力，必须改善系统数学模型的精度。这样，就要对系统数学模型的各个参数进行辨识。下面就导弹舵机系统的数学模型的建立问题及模型参数辨识方案设计问题研究如下。中北大学届毕业论文第页共页直流电动机是是舵机控制系统的关键组成部分,其原理是将电信号转变成机械运动,它的运动方程可由如下四个方程表达式式中,为电枢电压,为电枢电流,为电枢总电感,为电枢总电阻,为电机反电势,为电机转动的角度,为电机转矩......”。

5、“.....为加速转矩,为折算电机轴的总转动惯量,为反电势系数,为转矩系数。数学推导后,假设舵机空载条件下,电机的传递函数为数学模型的参数辨识方案设计三种辨识方法的比较在研究两个变量之间的关系时，可以用回归分析的方法进行分析。当确定了描述两个变量之间的回归模型后，就可以选择辨识方法来估计模型中的参数，进而精确确立模型方程。最小二乘法梯度校正法和极大似然法是模型参数辨识中三种重要的方法。对于假设模型给定的前提下，三种辨识方法得到的参数估计值都具有很好的统计特性。但这三种方法具有明显的差别，具体表现在下面几个方面三种方法所依据的基本数学原理不同。最小二乘法依据最小二乘原理，它认为只要残差的平方值尽可能小，参数估计中北大学届毕业论文第页共页值就尽可能的接近实际值，它通过最小化误差的平方和来寻找最佳的函数数据匹配。梯度校正法则要求沿着准则函数的最速下降方向来修正估计参数值，直到目标函数达到最小值为止。极大似然法依据极大似然原理，它要求在待估参数条件下的观测数据的联合概率密度函数尽可能大......”。

6、“.....实时辨识模型参数，且占据计算机存储量小的优点，因此与离线辨识相比，在线辨识方法得到了更为广泛的应用。伺服控制系统参数辨识方法的设计我们知道最小二乘法采用的模型为，因而在本文的仿真实验中要将线性题在输入数据结束后，形成的的执行文件源代码如下，泰山学院本科毕业设计，把本代码放入的函数异步执行所设置的可执行文件外壳中，点击计算。以上事例的系统演示截图系统初始界面输入数据后的界面泰山学院本科毕业设计泰山学院本科毕业设计形成的图形泰山学院本科毕业设计单击计算输出结果泰山学院本科毕业设计单击结构简图查看计算结果泰山学院本科毕业设计泰山学院本科毕业设计总结本文主要的研究内容本文主要介绍了基于的矩阵位移法的可视化开发的原理和设计。从介绍矩阵位移法的原理入手，介绍了矩阵位移法程序化的实现方法，同时提供了比较典型的例题分析。简单介绍了矩阵位移法的编程语言以及实现基于的编程的开发所需要解决的问题。学会矩阵位移法的原理和程序化的实现......”。

7、“.....通过学习矩阵位移法程序化的实现，对矩阵位移法程序的优化处理的地方更加明确。学习矩阵位移法编程语言，与的语言对比，明白了怎样把矩阵位移法程序编辑成的可执行文件。对于基于进行矩阵位移法程序的优化开发时，对所要解决的问题进行了详细的说明。通过用对所开发的基于的矩阵位移法的可视化软件对平面钢架进行运算，检验了程序的可用性和良好的可视化性能。需要进步研究问题由于水平和时间有限，所开发的程序软件还需要继续丰富所能计算的内容，使之能达到解决更复杂的结构。只是对简单的平面钢架做了分析，对于复杂的结构还需要结合有限元的程序进行开发。泰山学院本科毕业设计参考文献技术内幕详实翻译组译北京机械工业出版社，张学胜用和混合编程开发科学计算软件计算机应用，李鸿吉编程方法的详解北京科学出版社编程实用全北京中国水利水电出版社，彭因伦程序设计北京中国电力出版社，。海春谢维成编程及实例分析教程北京清华大学出版社，徐春林，赵明诚，童汉毅武汉大学学报工业版年第期龙驭球，包世华结构力学教程北京高等教育出版社，......”。

8、“.....唐章宏，学塞男，冯峰，等程序设计北京人民邮电出版社，朱从旭，邓红贵用和混合编程开发科学计算与作图软件计算机应用周振红，杨国录，周祠汝，等与混合编程的研究武汉水利电力大学学报梁勇用创建的动态链接库电脑编程技巧与维护，常斌，李宁，黑新宏工程计算软件开发中混合编程的关键问题分析计算机应用王旭程序员参考大全二函数北京清华大学出版社，殷国锋，周志芳用实现与的接口工程地质计算机应用院本科毕业设计矩阵位移法程序矩阵位移法中的整体刚度方程为式中为方阵，是杆系的整体刚度最大可能的逼近实际过程输出的概率分布。那么，此时得到的参数值就是估计参数值。三种方法所应用的广泛性不同。最小二乘法是应用最广泛的参数辨识方法，工程上容易实现，鲁棒性强，可直接获得过程参数模型，并且对线性过程具有良好的辨识效果。极大似然法可以应用于参数非线性的回归模型，而最小二乘法般不可以应用于参数非线性的回归模型。梯度校正法的个显著优点就是计算量小计算简单，在定条件下也可用于在线实时辨识，但是当过程的输入输出含有噪声时，它要求必须预先知道噪声的统计特性......”。

9、“.....三种方法的参数估计量的性质存在明显的差异。参数估计量的统计特性包括无偏性致性和有效性。般，通过参数估计量的统计特性就可以衡量它的优良度和可信度，进而确认相应辨识算法的实用价值。最小二乘估计量是最优线性无偏估计量，当模型噪声为白噪声时，利用最小二乘法可获得无偏估计量对高阶模型来说，性能明显优于其它方法，而且具有比较可靠的收敛性。渐进性质是极大似然估计量的普遍特性，然而无偏性却不定是所有极大似然估计量都具有的性质，即渐进无偏估计量不定是无偏估计量。梯度校正法与最小二乘法相比，虽然计算量小，但算法收敛速度较慢除此之外，其对噪声的干扰比较敏感，参数估计波动较大。梯度校正法中，权矩阵的选至关重要。输入输出数据向量的各分量直接影响参数估计值，而权矩阵的作用则是用来控制各输入输出分量对参数估计值的影响程度。只有当权矩阵满足定条件时，梯度校正法的参数估计值才能保证是大范围致渐近收敛的，如果有个条件不满足，所的参数估计值就不是渐近收敛的。除此之外，权矩阵选择的最佳与否将直接影响参数估计值收敛于真值的快慢。因此......”。