1 基本概念
1.1 定义与内涵
系统辨识是指利用观测数据、实验结果或运行记录，建立、校正并验证系统数学模型的方法与技术。它的核心在于从输入与输出之间的关系出发，推断系统的结构、参数及动态特性，使模型能够较好地反映真实对象的行为。
从方法论上看，系统辨识并不局限于单一模型形式，也不要求先验机理完全已知。它既可以通过数据直接构造模型，也可以在已有物理知识基础上对参数进行修正，因此常被视为连接理论分析与实际数据的重要桥梁。
1.2 研究对象
系统辨识的研究对象通常是能够接受输入并产生输出的系统，包括工程装置、自然过程和社会经济过程等。其关注点不仅在于系统“是什么”，也在于系统“如何变化”以及“在不同条件下会如何响应”。
1.2.1 动态系统
动态系统是系统辨识中最常见的对象，其输出不仅受当前输入影响，还与过去状态和历史输入有关。此类系统常表现出惯性、滞后、振荡或累积效应，例如机械结构、热过程、控制装置和生物调节过程。
1.2.2 静态系统
静态系统主要描述输入与输出在某一时刻的对应关系，不显式考虑时间演化。虽然形式较为简单，但在很多场景中，静态模型可作为近似或局部描述，用于快速估计、标定和在线修正。
1.3 核心目标
系统辨识的目标通常围绕建模、预测和控制支持展开。不同任务对模型精度、复杂度和可解释性的要求并不相同，因此辨识策略也会随应用背景变化。
1.3.1 建模
建模是系统辨识最基本的目标，即根据数据建立能够描述系统行为的数学表达式。模型可以用于刻画输入输出关系、分析系统结构，并为后续仿真和设计提供依据。
1.3.2 预测
预测强调利用已有模型推断未来输出或未观测状态。一个较好的辨识模型不仅应拟合已有数据，还应在新的工况下保持较强的前瞻能力。
1.3.3 控制支持
在控制工程中，辨识结果常用于控制器设计、参数整定和性能评估。准确的模型有助于提高系统稳定性、响应速度与抗扰动能力，也便于在复杂对象上进行仿真验证。
1.4 与相关学科的关系
系统辨识与多个学科紧密相关，既吸收了控制理论中的系统分析思想，也借鉴了统计学中的估计方法，并与机器学习在数据驱动建模方面形成交叉。
1.4.1 控制理论
控制理论关注系统的建模、分析与调节，而系统辨识为控制设计提供模型基础。两者相互补充：控制理论提出对模型性质的要求，辨识则提供参数和结构层面的实际依据。
1.4.2 统计学
统计学为系统辨识提供了误差处理、参数估计与假设检验等工具。特别是在存在噪声和不确定性的情况下，统计推断方法有助于评估模型可信度与估计精度。
1.4.3 机器学习
机器学习强调从数据中自动提取规律，与系统辨识在数据驱动建模方面有相似之处。不同的是，系统辨识更重视动态结构、物理可解释性以及与控制任务的结合，而机器学习往往更注重预测性能和泛化能力。
2 发展历史
2.1 早期萌芽
系统辨识的思想可追溯到早期工程测量和经验建模实践。随着工业化发展，人们逐渐意识到，仅凭经验公式难以准确描述复杂对象，因而开始通过实验记录来修正模型。
2.2 现代系统辨识的形成
20世纪中叶以后，控制理论、统计推断和计算方法共同推动了现代系统辨识的形成。研究者开始系统讨论模型结构选择、参数估计和验证问题，使这一领域逐步成为独立的方法体系。
2.3 计算技术推动的发展
电子计算机的普及显著提升了模型估计与仿真的效率，使更复杂的动态模型成为可能。随后，优化算法、矩阵计算和数值分析的发展，进一步扩展了系统辨识的规模与精度。
2.4 领域应用的扩展
随着传感器技术和数据采集能力增强，系统辨识从传统工业控制逐渐扩展到机器人、能源、生物医学、经济分析和环境建模等领域，应用范围不断扩大。
3 基本理论
3.1 系统与模型
系统辨识以“系统”为对象，以“模型”为表述工具。系统是现实对象本身，模型则是对其行为的抽象表示，二者之间通常通过数据建立联系。
3.1.1 输入、输出与状态
输入是作用于系统的外部信号，输出是系统对输入和内部条件的响应，状态则是描述系统内部记忆和演化规律的变量。三者共同构成动态系统分析的基本框架。
3.1.2 线性与非线性系统
线性系统满足叠加性和齐次性，便于分析和估计，是辨识研究中的基础对象。非线性系统则更接近实际情况，但结构复杂、求解困难，往往需要更灵活的建模与优化方法。
3.2 可辨识性
可辨识性用于判断一个系统或模型是否能够仅凭观测数据被唯一或近似唯一地确定。它是辨识工作能否成功的前提条件。
3.2.1 参数可辨识性
参数可辨识性关注模型参数是否能够从数据中稳定估计出来。若多个参数组合产生相同输出，则参数可能无法区分，导致估计结果不唯一。
3.2.2 结构可辨识性
结构可辨识性讨论的是模型形式本身是否合理，以及模型结构是否足以由数据支持。即使参数可估，若结构设定不当，模型也可能无法真实反映系统机理。
3.3 误差与不确定性
实际辨识中，误差和不确定性普遍存在，来源包括传感器误差、外部扰动、未建模动态和随机波动等。对这些因素的分析，直接影响模型质量评估。
3.3.1 测量噪声
测量噪声是指在采集过程中叠加到信号上的随机误差。它会降低信噪比，影响参数估计精度，也可能掩盖系统真实动态。
3.3.2 建模误差
建模误差指模型对真实系统描述不充分所引起的偏差。它可能来自结构简化、参数缺失或忽略高阶效应，常在复杂系统中较为明显。
3.4 最优估计思想
最优估计思想强调在给定数据和假设条件下，寻找最符合观测结果的参数或状态估计值。其核心在于平衡拟合程度与误差统计特性。
3.4.1 极大似然估计
极大似然估计通过最大化观测数据出现的概率来确定模型参数。该方法在噪声分布已知或可近似假设时应用广泛，具有明确的统计解释。
3.4.2 最小二乘法
最小二乘法通过最小化观测值与模型预测值之间的误差平方和来求解参数。由于形式简洁、计算方便，它是系统辨识中最常用的基础方法之一。
4 系统辨识流程
4.1 问题定义
辨识工作通常从明确问题开始，包括确定研究对象、建模目标、可用数据类型以及性能指标。问题定义越清晰，后续模型选择与实验设计就越有针对性。
4.2 数据采集
数据采集是系统辨识的基础环节，数据质量直接决定模型上限。采集内容可来自专门实验，也可来源于系统正常运行过程。
4.2.1 实验数据
实验数据通过人为施加输入并记录输出获得，通常更适合控制变量和激励设计。其优点是可重复性较强，便于分析系统特性。
4.2.2 运行数据
运行数据来自系统在实际工况下的自然运行记录，往往更加贴近真实环境，但也更容易受到干扰、工况变化和采集约束的影响。
4.3 预处理
原始数据往往需要预处理，以提高后续估计的稳定性和准确性。常见步骤包括去噪、归一化和缺失值处理。
4.3.1 去噪
去噪的目的是削弱随机扰动对模型估计的影响。常用方法包括滤波、平滑和异常点剔除，但处理时需避免过度削弱真实动态。
4.3.2 归一化
归一化可将不同量纲或不同范围的数据转换到统一尺度，减少数值计算中的偏差，并提高优化过程的收敛性。
4.3.3 缺失值处理
缺失值处理用于弥补采集中断或传感器失效造成的数据空缺。可采用插值、模型补全或统计推断等方式，但需谨慎评估引入的额外误差。
4.4 模型选择
模型选择是根据对象特性和任务需求，在不同结构之间进行权衡的过程。既要考虑模型精度，也要关注复杂度、可解释性和可计算性。
4.5 参数估计
参数估计是将所选模型与数据联系起来的关键步骤。通过优化或递推方法，可以确定模型中的未知系数、增益、时延或状态相关参数。
4.6 模型验证
模型验证用于检验模型是否能够在未参与估计的数据上保持良好表现。有效的验证有助于发现过拟合、结构缺陷或估计偏差。
4.6.1 残差分析
残差分析考察模型输出与实际观测之间的差异是否呈随机分布。若残差仍包含明显结构信息，通常说明模型尚未充分刻画系统特性。
4.6.2 泛化检验
泛化检验关注模型在新数据、新工况或新扰动下的表现。一个通过泛化检验的模型，通常更适合作为预测和控制的基础。
4.7 模型修正与迭代
在实际工作中，辨识往往不是一次完成的，而是一个反复迭代的过程。若验证结果不理想，可能需要重新选择模型结构、调整数据处理方式或补充实验。
5 模型类型
5.1 黑箱模型
黑箱模型主要依赖输入输出数据，不强调内部机理的显式表达。它适用于机理难以精确获取但数据较充足的场景。
5.1.1 传递函数模型
传递函数模型常用于线性时不变系统，直接描述输入与输出之间的动态关系。它形式简洁，便于分析频率响应和控制特性。
5.1.2 状态空间模型
状态空间模型用状态变量描述系统内部演化，适合处理多输入多输出和动态复杂对象。它在控制设计和现代辨识中具有重要地位。
5.2 灰箱模型
灰箱模型结合部分机理知识与数据驱动方法，在保留物理解释的同时提高建模灵活性。它适合已有一定理论基础但参数不完全确定的对象。
5.2.1 机理与数据融合
机理与数据融合通过将理论方程与观测数据结合，既利用已知规律，又吸收未知因素的经验信息，从而提高模型适用性。
5.2.2 参数约束模型
参数约束模型在估计过程中加入物理范围、单调性或稳定性等约束，避免得到不合理参数，使模型更符合实际。
5.3 白箱模型
白箱模型完全基于系统机理建立，强调方程来源清晰、物理意义明确。此类模型通常在理论条件较成熟时使用。
5.3.1 物理定律驱动
物理定律驱动建模以守恒定律、运动方程或能量关系为基础，适用于结构清楚、规律明确的系统。
5.3.2 解析建模
解析建模通过推导显式数学表达式来描述系统行为，通常需要较强的先验知识和理想化假设。
5.4 离散时间模型
离散时间模型以离散采样点上的变量为对象，适合数字控制和计算机实现。它与实际采样系统天然匹配，因而应用非常广泛。
5.5 连续时间模型
连续时间模型使用连续变量描述系统演化，更接近物理过程本身。它常用于理论分析、机理研究和高精度动态描述。
5.6 线性模型
线性模型结构相对简单，便于求解和解释，在很多工况下可作为近似模型使用。即使系统本质上非线性，局部线性化仍具有较高实用价值。
5.7 非线性模型
非线性模型能够描述更复杂的系统行为，如饱和、死区、滞回和多稳态现象。其表达能力更强，但辨识难度也更高。
6 主要方法
6.1 递推估计方法
递推估计方法适合数据逐步到达的场景，能够在新数据加入时实时更新参数，常用于在线辨识与自适应控制。
6.1.1 递推最小二乘
递推最小二乘通过逐次修正估计结果来降低计算负担，适合实时处理线性或近似线性问题。
6.1.2 卡尔曼滤波
卡尔曼滤波在状态估计和参数跟踪中应用广泛，能够在噪声条件下对动态系统进行递推估计，尤其适合时间序列和状态空间模型。
6.2 批量估计方法
批量估计方法一次性处理整段数据，通常适合离线分析。其优点是便于全局优化，但对计算资源要求较高。
6.2.1 频域方法
频域方法从频率响应角度分析系统，常用于周期激励、振动系统和信号处理问题。它有助于揭示系统在不同频率下的动态特征。
6.2.2 时域方法
时域方法直接基于时间序列建立估计模型，是系统辨识中的主流路径之一。它适合处理大多数实验数据，并能与残差分析自然结合。
6.3 子空间辨识
子空间辨识利用线性代数和矩阵分解思想，从观测数据中提取状态空间结构。它在多变量系统建模中较为高效，尤其适用于大规模系统。
6.4 贝叶斯方法
贝叶斯方法将参数视为随机变量，通过先验信息与观测数据共同更新后验分布。该方法能够自然表达不确定性，并在样本较少时体现先验知识的作用。
6.5 机器学习辅助方法
机器学习辅助方法借助数据驱动算法增强辨识能力，尤其适用于高维、复杂或难以显式建模的系统。
6.5.1 神经网络辨识
神经网络辨识利用网络结构逼近复杂非线性映射，具有较强拟合能力，常用于非线性动态系统和复杂过程建模。
6.5.2 支持向量回归
支持向量回归通过构造稳健的回归函数实现参数估计，通常在小样本和高维特征场景下表现良好。
6.6 非线性系统辨识
非线性系统辨识专门针对非线性动态关系，方法上往往结合结构化模型与数值优化，以兼顾表达能力与可估计性。
6.6.1 Hammerstein模型
Hammerstein模型由静态非线性环节和线性动态环节串联构成，适合描述输入端非线性较明显的系统。
6.6.2 Wiener模型
Wiener模型则通常表现为线性动态环节后接静态非线性环节，适合输出端存在压缩、饱和等非线性现象的对象。
7 实验设计
7.1 激励信号设计
激励信号设计的目的在于让系统在实验中充分暴露其动态特性，以便提取更完整的信息。激励不足往往会导致参数不可辨识或估计不稳定。
7.1.1 阶跃信号
阶跃信号形式简单，便于观察系统瞬态响应，常用于初步测试和粗略参数分析。
7.1.2 伪随机二进制序列
伪随机二进制序列具有较好的激励覆盖能力，能在较短时间内提供丰富频谱信息，因此常用于控制系统实验。
7.1.3 正弦扫频
正弦扫频通过改变激励频率考察系统在不同频段的响应特性，常用于频响分析和共振特性识别。
7.2 可观测性与可控性
可观测性决定能否从输出恢复系统状态，可控性则决定能否通过输入影响系统行为。二者是实验设计和模型构造的重要理论依据。
7.3 数据采样策略
采样策略涉及采样频率、采样时长和采样时机的安排。合理的采样设计既能保留关键动态信息，也能减少冗余与计算成本。
7.4 实验成本与安全性
实验设计还需考虑成本、时间和安全限制。对于高风险或高代价对象，通常优先采用低扰动实验、仿真辅助和分步测试方案。
8 模型评价
8.1 拟合优度
拟合优度用于衡量模型对已有数据的解释程度。它可以反映模型是否抓住了主要趋势，但不能单独作为模型好坏的唯一标准。
8.2 稳定性分析
稳定性分析考察模型在扰动或参数变化下是否保持有界行为。对于控制和预测应用，稳定性通常是基础要求。
8.3 鲁棒性分析
鲁棒性分析关注模型对噪声、偏差和工况变化的敏感程度。鲁棒性较强的模型更适合真实环境中的长期使用。
8.4 预测性能
预测性能直接体现模型对未来数据的适应能力。与单纯拟合相比，预测性能更能反映模型的实际应用价值。
8.5 交叉验证
交叉验证通过将数据分为训练集与验证集，反复测试模型在不同数据切分下的表现，以评估泛化能力。
8.6 残差白噪声检验
残差白噪声检验用于判断模型未解释部分是否近似随机。若残差仍呈现相关性，通常说明模型中还存在可挖掘的信息。
9 典型应用
9.1 工业控制系统
在工业控制中，系统辨识常用于过程建模、控制器整定和故障分析。通过建立较准确的对象模型，可提升生产稳定性与自动化水平。
9.2 机器人与运动控制
机器人系统具有多关节耦合、非线性和时变特性，辨识技术可用于动力学参数估计、轨迹控制和柔顺控制设计。
9.3 电力与能源系统
在电力与能源领域，辨识常用于负荷预测、设备状态监测和动态响应分析，有助于提高系统调度与运行管理效率。
9.4 机械结构与振动分析
机械结构辨识主要用于模态参数提取、故障诊断和振动控制。通过识别频率、阻尼和模态形状，可了解结构动态行为。
9.5 生物医学系统
生物医学系统中，辨识方法可用于生理信号分析、药代动力学建模和医疗设备控制。此类对象常具有个体差异大、噪声复杂等特点。
9.6 经济与金融时间序列
在经济与金融分析中，辨识思想常用于建立时间序列模型，研究变量之间的动态关联、波动特征与预测趋势。
9.7 环境与气候建模
环境与气候系统结构复杂、变量众多，系统辨识可用于局部过程建模、响应分析和数据同化辅助，为长期预测提供支持。
10 常见问题与挑战
10.1 数据质量不足
数据不完整、噪声过强或采样不合理，都会削弱辨识效果。很多时候，问题并不出在算法，而在于输入数据本身质量有限。
10.2 模型过拟合与欠拟合
过拟合会使模型过于贴合训练数据而丧失泛化能力，欠拟合则意味着模型过于简单，无法刻画真实规律。二者需要通过验证策略加以平衡。
10.3 非线性与时变特性
现实系统常具有非线性和时变特征，使得单一固定模型难以长期适用。这也是系统辨识研究中的核心难点之一。
10.4 多变量耦合问题
多输入多输出系统中，各变量之间常存在耦合与交互，导致参数估计和结构分析更加复杂。此时需要考虑变量关联和维度压缩问题。
10.5 计算复杂度
高维模型、长时间数据和复杂优化会显著增加计算负担。为提高效率，常需在模型精度与运算成本之间作权衡。
10.6 在线辨识的实时性要求
在线辨识要求模型能够随数据变化快速更新，这对算法稳定性、内存占用和计算速度都提出了较高要求。
11 相关工具与软件
11.1 MATLAB 系统辨识工具箱
MATLAB 系统辨识工具箱是常用的工程分析工具，支持模型估计、验证、状态空间分析和频域处理，适合教学与工程实践。
11.2 Python 相关库
Python 中有多种用于时间序列建模、优化计算和机器学习的库，可用于构建系统辨识工作流，并方便与数据处理工具结合。
11.3 仿真平台
仿真平台可用于在真实实验前测试辨识方案，验证激励设计和模型结构，降低试验风险并节约成本。
11.4 数据采集与实验平台
数据采集与实验平台负责信号测量、同步记录和在线监控，是系统辨识实验实施的重要基础设施。
12 典型案例
12.1 传递函数参数识别
在传递函数参数识别中，通常通过输入输出实验数据估计系统增益、时间常数和时延等参数。该类案例常用于简单控制对象的初步建模。
12.2 机械臂动力学建模
机械臂动力学建模往往结合关节运动数据和动力学方程，对质量、惯量、摩擦等参数进行估计，以支持轨迹规划和高精度控制。
12.3 电机系统辨识
电机系统辨识通常用于建立转矩、速度和电流之间的动态关系。通过辨识结果，可改善调速性能和伺服控制效果。
12.4 过程工业对象建模
过程工业对象建模常面向温度、压力、流量和浓度等变量，通过实验或运行数据构造模型，为过程优化、预测控制和故障监测提供依据。