丁锋，男，湖北广水人（应山县人），清华大学博士、university of Alberta博士后、教授、博士生导师。教育与工作经历如下：2004年受聘为江南大学“太湖学者”特聘教授，博士生导师、学科带头人；1980年9月-1984年7月湖北工业大学学士学位；1984年7月-1988年8月湖北制药厂变配电技术员；1988年9月-2002年6月清华大学硕士学位、博士学位（博士学位论文）、讲师、副教授，系统工程研究所副所长；2002年7月-2005年1O月加拿大阿尔伯塔大学（university of Alberta，埃德蒙顿）博士后、研究员；2006年3-5月香港科技大学研究员；2006年12月-2007年2月、2008年5-12月加拿大卡尔顿大学（Carleton University，渥太华）访问教授；2009年1-10月加拿大瑞尔森大学（Ryerson university，多伦多）研究员（包括国家公派访问学者半年）。

　　《系统辨识学术专著丛书（第6分册） 系统辨识：多新息辨识理论与方法》是《系统辨识学术专著丛书》的第6分册，是作者在清华大学、江南大学教学和科研创新经验的结晶，汇聚了作者及其合作者在多新息辨识理论与方法研究方面的一些新成果。
　　《系统辨识学术专著丛书（第6分册） 系统辨识：多新息辨识理论与方法》介绍了线性系统与输入非线性系统的多新息辨识方法，内容包括：多新息随机梯度类辨识方法、多新息*小二乘类辨识方法、变递推间隔多新息辨识方法、基于分解的多新息辨识方法、基于滤波的多新息辨识方法等，分析了一些典型多新息辨识方法的收敛性。
　　《系统辨识学术专著丛书（第6分册） 系统辨识：多新息辨识理论与方法》不仅传授知识，而且还传授科学研究与创新的新思想和新方法。特别是提出了一系列值得学者们深入研究的辨识课题，为进一步研究指明方向。
　　《系统辨识学术专著丛书（第6分册） 系统辨识：多新息辨识理论与方法》中Matlab仿真例子源程序为初学者快速上手提供了学习蓝本。
　　《系统辨识学术专著丛书（第6分册） 系统辨识：多新息辨识理论与方法》可作为大学本科高年级学生、硕士和博士研究生“系统辨识”教材及有志者攀登科学高峰的科研用书，也可供自动控制、电气自动化类及相关电类专业高校教师和科技人员选用。

系统辨识学术专著丛书
序
前言
主要符号说明

第1章 线性回归系统
1．1 引言
1．2 多新息辨识理论
1．2．1 什么是多新息辨识方法
1．2．2 变递推间隔多新息辨识方法
1．2．3 多新息辨识的重要文献与研究成果
1．3 多新息随机梯度辨识方法
1．3．1 随机梯度辨识算法
1．3．2 多新息随机梯度辨识算法
1．3．3 多新息随机梯度辨识方法的特点
1．3．4 仿真例子
1．4 多新息梯度类辨识方法
1．4．1 多新息投影辨识算法
1．4．2 多新息遗忘梯度算法
1．4．3 多新息广义投影算法
1．5 变递推间隔多新息梯度类辨识方法
1．5．1 变递推间隔多新息投影算法
1．5．2 变递推间隔多新息广义投影算法
1．5．3 变递推间隔多新息随机梯度算法
1．5．4 几个多新息梯度辨识方法
1．6 多新息最小二乘辨识方法
1．6．1 最小二乘辨识算法
1．6．2 递推最小二乘辨识算法
1．6．3 遗忘因子最小二乘辨识算法
1．6．4 多新息最小二乘辨识算法
1．7 多新息最小二乘类辨识方法
1．7．1 有限数据窗递推最小二乘辨识算法
1．7．2 变递推间隔多新息最小二乘辨识算法
1．7．3 几个多新息最小二乘辨识方法
1．8 小结
1．9 思考题

第2章 方程误差类系统
2．1 引言
2．2 受控自回归系统
2．3 受控自回归滑动平均系统
2．3．1 系统描述与辨识模型
2．3．2 增广随机梯度辨识方法
2．3．3 多新息增广随机梯度辨识方法
2．3．4 递推增广最小二乘辨识方法
2．3．5 多新息增广最小二乘辨识方法
2．4 受控自回归自回归系统
2．4．1 系统描述与辨识模型
2．4．2 广义随机梯度算法
2．4．3 多新息广义随机梯度算法
2．4．4 递推广义最小二乘算法
2．4．5 多新息广义最小二乘算法
2．5 受控自回归自回归滑动平均系统
2．5．1 系统描述与辨识模型
2．5．2 广义增广随机梯度算法
2．5．3 多新息广义增广随机梯度算法
2．5．4 递推广义增广最小二乘算法
2．5．5 多新息广义增广最小二乘算法
2．5．6 关于输出预报与模型验证
2．5．7 仿真例子
2．6 CARARMA系统的分解多新息辨识方法
2．6．1 系统描述与分解辨识模型
2．6．2 基于分解的广义增广随机梯度算法
2．6．3 基于分解的多新息广义增广随机梯度算法
2．6．4 基于分解的递推广义增广最小二乘算法
2．6．5 基于分解的多新息广义增广最小二乘算法
2．7 CARARMA系统的滤波多新息辨识方法
2．7．1 系统描述与滤波辨识模型
2．7．2 基于滤波的广义增广随机梯度算法
2．7．3 基于滤波的多新息广义增广随机梯度算法
2．7．4 基于滤波的递推广义增广最小二乘算法
2．7．5 基于滤波的多新息广义增广最小二乘算法
2．8 小结
2．9 思考题

第3章 输出误差类系统
3．1 引言
3．2 输出误差系统
3．2．1 系统描述与辨识模型
3．2．2 辅助模型随机梯度辨识方法
3．2．3 辅助模型多新息随机梯度辨识方法
3．2．4 辅助模型递推最小二乘辨识方法
3．2．5 辅助模型多新息最小二乘辨识方法
3．3 输出误差滑动平均系统
3．3．1 系统描述与辨识模型
3．3．2 辅助模型增广随机梯度辨识方法
3．3．3 辅助模型多新息增广随机梯度辨识方法
3．3．4 辅助模型递推增广最小二乘辨识方法
3．3．5 辅助模型多新息增广最小二乘辨识方法
3．3．6 仿真例子
3．4 输出误差自回归系统
3．4．1 系统描述与辨识模型
3．4．2 辅助模型广义随机梯度算法
3．4．3 辅助模型多新息广义随机梯度算法
3．4．4 辅助模型递推广义最小二乘算法
3．4．5 辅助模型多新息广义最小二乘算法
3．5 Box-Jenkins系统
3．5．1 系统描述与辨识模型
3．5．2 辅助模型广义增广随机梯度算法
3．5．3 辅助模型多新息广义增广随机梯度算法
3．5．4 辅助模型递推广义增广最小二乘算法
3．5．5 辅助模型多新息广义增广最小二乘算法
3．6 Box-Jenkins系统的分解多新息辨识方法
3．6．1 系统描述与分解辨识模型
3．6．2 基于分解的辅助模型广义增广随机梯度算法
3．6．3 基于分解的辅助模型多新息广义增广随机梯度算法
3．6．4 基于分解的辅助模型递推广义增广最小二乘算法
3．6．5 基于分解的辅助模型多新息广义增广最小二乘算法
3．7 OEAR系统的滤波多新息辨识方法
3．7．1 系统描述与滤波辨识模型-
3．7．2 基于滤波的辅助模型广义随机梯度算法
3．7．3 基于滤波的辅助模型多新息广义随机梯度算法
3．7．4 基于滤波的辅助模型递推广义最小二乘算法
3．7．5 基于滤波的辅助模型多新息广义最小二乘算法
3．8 Box-Jenkins系统的滤波多新息辨识方法
3．8．1 Box-Jenkins系统描述与滤波辨识模型
3．8．2 基于滤波的辅助模型广义增广随机梯度算法
3．8．3 基于滤波的辅助模型多新息广义增广随机梯度算法
3．8．4 基于滤波的辅助模型广义增广递推最小二乘算法
3．8．5 基于滤波的辅助模型多新息广义增广最小二乘算法
3．9 小结
3．10 思考题

第4章 输入非线性方程误差系统
4．1 引言
4．2 基于过参数化模型的多新息辨识方法
4．2．1 系统描述与过参数化辨识模型
4．2．2 基于过参数化模型的随机梯度算法
4．2．3 基于过参数化模型的多新息随机梯度算法
4．2．4 基于过参数化模型的递推最小二乘算法
4．2．5 基于过参数化模型的多新息最小二乘算法
4．3 基于过参数化模型的递阶多新息辨识方法
4．3．1 基于过参数化模型的递阶随机梯度算法
4．3．2 基于过参数化模型的递阶多新息随机梯度算法
4．3．3 基于过参数化模型的递阶最小二乘算法
4．3．4 基于过参数化模型的递阶多新息最小二乘算法
4．4 基于关键项分离的多新息辨识方法
4．4．1 基于关键项分离的辨识模型
4．4．2 基于关键项分离的随机梯度算法
4．4．3 基于关键项分离的多新息随机梯度算法
4．4．4 基于关键项分离的递推最小二乘算法
4．4．5 基于关键项分离的多新息最小二乘算法
4．5 基于关键项分离的两阶段多新息辨识方法
4．5．1 基于关键项分离的两阶段随机梯度算法
4．5．2 基于关键项分离的两阶段多新息随机梯度算法
4．5．3 基于关键项分离的两阶段递推最小二乘算法
4．5．4 基于关键项分离的两阶段多新息最小二乘算法
4．6 基于关键项分离的三阶段多新息辨识方法
4．6．1 基于关键项分离的三阶段辨识模型
4．6．2 基于关键项分离的三阶段随机梯度算法
4．6．3 基于关键项分离的三阶段多新息随机梯度算法
4．6．4 基于关键项分离的三阶段递推最小二乘算法
4．6．5 基于关键项分离的三阶段多新息最小二乘算法
4．6．6 算法的计算量比较
4．7 小结
4．8 思考题

第5章 输入非线性方程误差自回归系统
5．1 引言
5．2 基于过参数化模型的多新息辨识方法
5．2．1 系统描述与过参数化辨识模型
5．2．2 基于过参数化模型的广义随机梯度算法
5．2．3 基于过参数化模型的多新息广义随机梯度算法
5．2．4 基于过参数化模型的递推广义最小二乘算法
5．2．5 基于过参数化模型的多新息广义最小二乘算法
5．3 基于关键项分离的多新息辨识方法
5．3．1 基于关键项分离的辨识模型
5．3．2 基于关键项分离的广义随机梯度算法
5．3．3 基于关键项分离的多新息广义随机梯度算法
5．3．4 基于关键项分离的递推广义最小二乘算法
5．3．5 基于关键项分离的多新息广义最小二乘算法
5．4 基于数据滤波的多新息辨识方法（1）
5．4．1 基于滤波的辨识模型
5．4．2 基于滤波的随机梯度算法
5．4．3 基于滤波的多新息随机梯度算法
5．4．4 基于滤波的递推最小二乘算法
5．4．5 基于滤波的多新息最小二乘算法
5．5 基于数据滤波的多新息辨识方法（2）
5．5．1 基于滤波的辨识模型
5．5．2 基于滤波的随机梯度算法
5．5．3 基于滤波的多新息随机梯度算法
5．5．4 基于滤波的递推最小二乘算法
5．5．5 基于滤波的多新息最小二乘算法
5．6 基于数据滤波的多新息辨识方法（3）
5．6．1 基于滤波的辨识模型
5．6．2 基于滤波的随机梯度算法
5．6．3 基于滤波的多新息随机梯度算法
5．6．4 基于滤波的递推最小二乘算法
5．6．5 基于滤波的多新息最小二乘算法
5．7 基于关键项分离的分解多新息辨识方法
5．7．1 基于关键项分离的分解辨识模型
5．7．2 基于关键项分离的分解广义随机梯度算法
5．7．3 基于关键项分离的分解多新息广义随机梯度算法
5．7．4 基于关键项分离的分解递推广义最小二乘算法
5．7．5 基于关键项分离的分解多新息广义最小二乘算法
5．8 基于双线性参数模型分解的多新息辨识方法
5．8．1 基于双线性参数模型分解的辨识模型
5．8．2 基于分解的广义随机梯度算法
5．8．3 基于分解的多新息广义随机梯度算法
5．8．4 基于分解的递推广义最小二乘算法
5．8．5 基于分解的多新息广义最小二乘算法
5．9 小结
5．10 思考题

第6章 多新息辨识方法的性能分析
6．1 引言
6．2 随机梯度辨识方法
6．2．1 随机梯度辨识算法
6．2．2 SG辨识算法的收敛性
6．3 多新息随机梯度辨识方法
6．3．1 多新息随机梯度辨识算法
6．3．2 MISG辨识算法的收敛性
6．4 遗忘因子多新息随机梯度辨识方法
6．4．1 遗忘因子多新息随机梯度算法
6．4．2 FF-MISG辨识算法的收敛性
6．4．3 仿真例子
6．5 多新息增广随机梯度辨识方法
6．5．1 多新息增广随机梯度算法
6．5．2 MI-ESG辨识算法的收敛性
6．6 变递推间隔辅助模型多新息随机梯度辨识方法
6．6．1 问题构成与辨识模型
6．6．2 变递推间隔辅助模型多新息随机梯度算法
6．6．3 V-AM-MISG辨识算法的收敛性
6．6．4 仿真例子
6．7 多新息最小二乘辨识方法
6．7．1 多新息最小二乘辨识算法
6．7．2 MILS辨识算法的收敛性
6．7．3 变递推间隔MILS辨识算法
6．7．4 仿真例子
6．8 小结
6．9 思考题

参考文献
索引
后记