1 历史与发展
1.1 概念起源
Hammerstein模型的思想可追溯到20世纪早期的非线性系统研究。该模型以德国学者约翰内斯·汉默斯坦（Johannes Hammerstein）的姓氏命名，用于概括一种常见的系统结构：输入先经过静态非线性变换，再进入线性动态环节。与直接从整体角度处理非线性系统相比，这种分解方式更便于分析和建模。
这一概念之所以受到重视，主要在于许多实际对象并非单纯线性或单纯非线性，而是呈现出“前端失真、后端惯性响应”的组合特征。将两类机制串联表示，能够在保持模型简洁性的同时，保留较强的工程解释性。
1.2 研究演进
早期研究多集中于理论形式的建立与基本性质分析，重点在于说明这类串联系统如何描述输入输出关系。随着系统辨识理论的发展，研究者逐渐开始关注参数估计、结构识别以及噪声条件下的建模效果。
进入计算能力提升阶段后，Hammerstein模型的应用范围明显扩大。研究不再局限于理想化数学形式，而是更多面向实际采样数据、有限测量精度和复杂工况。相应地，辨识算法也从传统最小二乘推广到递推估计、优化搜索和混合学习方法等。
1.3 现代应用扩展
在现代工程中，Hammerstein模型常作为中等复杂度的非线性建模工具使用。它既比纯线性模型更灵活，又通常比高阶通用非线性模型更易解释和计算。随着数字控制、在线监测和数据驱动建模的发展，该模型被进一步用于自适应控制、信号补偿和状态预测等任务。
此外，随着多变量系统和复杂耦合对象的增多，Hammerstein思想也被扩展到多输入多输出结构、分段非线性结构以及与其他模型融合的混合框架中。
2 基本结构
2.1 模型组成
Hammerstein模型通常由两个核心部分构成：前端静态非线性环节和后端线性动态环节。输入信号首先经过非线性映射，再由线性系统进行时域响应。由于这种结构具有清晰的物理含义，常被用于近似“输入驱动特性非线性，而系统惯性近似线性”的对象。
2.1.1 静态非线性环节
静态非线性环节负责描述输入幅值与等效作用量之间的非线性关系。该环节不引入记忆效应，只对当前输入做映射，例如饱和、死区、分段线性变化或多项式变换等。它的作用是把原始输入转换为更适合后续动态描述的信号。
2.1.2 线性动态环节
线性动态环节通常表示为线性时不变系统，用于刻画系统的惯性、滞后和振荡特性。常见表达方式包括差分方程、传递函数或状态空间模型。其功能是对非线性环节输出进行动态滤波，使最终输出呈现出时间演化特征。
2.2 信号传递机制
在Hammerstein结构中，输入信号先经非线性变换，再进入动态模块，因此系统输出同时受到“幅值变换”和“时间响应”两方面影响。由于两个环节顺序固定，模型可以较直观地分离静态失真与动态延迟。
这种传递机制适合描述许多实际过程，例如输入较小时响应近似线性，而在较大输入下出现压缩、放大或限幅现象，随后系统仍按自身惯性规律演化。
2.3 数学表示
设输入为 \(u(t)\)，静态非线性映射为 \(f(\cdot)\)，线性动态系统为 \(G\)。则Hammerstein模型可写为： \[ y(t)=G\{f(u(t))\} \] 若采用离散形式，则常表示为： \[ x(k)=f(u(k)), \quad y(k)=G[x(k)] \] 其中，\(x(k)\) 为非线性环节输出，\(y(k)\) 为系统最终输出。若线性动态环节用差分方程表示，还可进一步写成参数化形式，便于辨识和计算。
3 数学性质
3.1 输入输出关系
Hammerstein模型的输入输出关系具有显著的串联特征：非线性环节决定输入的有效幅值，动态环节决定输出随时间的变化。由于两部分作用机制不同，模型在分析时通常可分步处理，从而降低整体复杂度。
当非线性环节可逆或近似可逆时，系统分析会更加方便；若非线性函数具有强饱和或不可逆区间，则输出信息可能被压缩，导致后续辨识难度上升。
3.2 可辨识性
可辨识性是Hammerstein模型研究中的关键问题之一。由于非线性环节与线性环节串联，某些参数可能在整体输入输出关系中产生耦合，使得不同参数组合产生相近输出。这会影响模型的唯一性与估计精度。
通常，提高可辨识性的做法包括：选择适当激励信号、对非线性函数施加约束、固定某些尺度参数，或采用归一化处理。若输入激励不足，模型往往只能获得局部有效的近似结果。
3.3 稳定性分析
Hammerstein模型的稳定性通常由两个环节共同决定。若静态非线性环节有界，且线性动态部分稳定，则整体系统一般表现为输入有界时输出有界。反之，如果线性动态环节本身不稳定，即便前端非线性有限，也可能导致输出发散。
在工程分析中，常通过考察线性子系统极点、非线性映射的有界性以及组合后的增益特性来判断系统稳定性。对于在线控制场景，这一性质尤为重要。
3.4 频域特征
从频域角度看，Hammerstein模型并不等同于简单线性系统，因此其频谱响应会受到非线性谐波产生的影响。输入经过非线性变换后，通常会引入新的频率成分，再由线性动态环节进行滤波和衰减。
因此，该模型的频域分析往往比纯线性系统更复杂，除了关注幅频和相频响应外，还需考虑互调失真、谐波生成以及输入幅值变化对频谱结构的影响。
4 模型辨识
4.1 参数估计方法
Hammerstein模型的参数估计通常包括非线性环节参数和线性动态环节参数两个部分。常见思路是先对结构进行假设，再根据观测数据估计参数。实际应用中，估计过程往往采用分步法、联合优化法或迭代法。
4.1.1 最小二乘法
最小二乘法是最常用的参数估计方法之一，适用于线性部分可参数化表达的情况。若非线性环节已知或可预估，则可将整体问题转化为线性参数估计问题，利用误差平方和最小化求解。
该方法计算效率较高，适合样本较多、噪声较弱的情形。但当非线性函数形式不明确或参数耦合较强时，最小二乘法可能需要配合迭代更新才能获得更稳定的结果。
4.1.2 递推估计方法
递推估计方法适用于在线建模或实时控制环境。它通过逐步吸收新数据，不断修正模型参数，具有较好的实时性。常见形式包括递推最小二乘及其带遗忘因子的变体。
这类方法的优点是能够适应系统缓慢变化，但对初值设置、噪声干扰和激励质量较为敏感。若参数漂移明显，通常需要引入自适应机制。
4.2 非线性函数选择
非线性函数的选取直接影响模型表达能力与可辨识性。常见选择包括多项式函数、幂函数、分段线性函数、饱和函数和查表函数等。不同函数形式在拟合精度、计算复杂度和物理可解释性方面各有差异。
一般而言，若对象非线性规律较平滑，多项式形式较易处理；若存在明显阈值或限幅特征，分段或饱和形式更贴近实际。实际建模中，函数形式通常需结合先验知识与样本数据共同确定。
4.3 结构辨识
结构辨识指的是在参数估计之前，先确定模型的整体结构是否符合对象特征，例如非线性环节是否应放在前端、线性部分应采用何种阶次、是否需要多分支形式等。结构选取不当会导致即便参数拟合良好，模型泛化能力仍然有限。
常见做法包括基于实验数据的结构比较、残差分析以及信息准则筛选。对于复杂对象，研究者有时会在多个候选结构中进行交叉验证，以平衡拟合精度与简洁性。
4.4 噪声影响与鲁棒性
噪声会同时影响非线性估计和线性动态识别，尤其在输入测量误差存在时，非线性函数估计往往会出现偏差。若输出噪声较强，线性环节参数也可能被误估，从而影响整体模型精度。
提升鲁棒性的方法包括数据预处理、滤波、正则化、稳健估计以及冗余激励设计。对于实际系统，通常需要在精度与抗噪能力之间做出折中。
5 变体与扩展
5.1 多项式Hammerstein模型
多项式Hammerstein模型将静态非线性环节表示为多项式形式，是最常见的变体之一。其优点是结构简单、便于计算，且在局部范围内能较好逼近一般非线性关系。通过调整多项式阶数，可在模型复杂度与拟合能力之间进行平衡。
5.2 Hammerstein-Wiener模型
Hammerstein-Wiener模型在前端非线性和后端线性动态环节之外，还在输出端增加一个静态非线性环节。这样既能描述输入侧失真，也能刻画输出侧饱和、压缩或测量非线性。与单纯Hammerstein结构相比，它通常具有更强的表达能力，但辨识难度也更高。
5.3 多输入多输出模型
多输入多输出Hammerstein模型用于描述多个输入和多个输出之间的耦合关系。此类模型不仅需要考虑每一路输入的非线性变换，还要处理不同通道之间的动态耦合，因此参数规模通常更大。
在多变量系统中，常通过矩阵形式表示线性部分，并为各输入通道配置相应的非线性映射，以便适应更复杂的工业对象。
5.4 级联与并联扩展
级联扩展通常指多个Hammerstein结构按顺序组合，以描述更复杂的非线性与动态叠加特征。并联扩展则通过多个子模型共同表示总体输出，适合存在多个工作区间或不同机制共同作用的场景。
这类扩展能够提高逼近能力，但也会增加参数数量和训练成本，因此常用于对精度要求较高且数据较充分的任务。
6 与其他模型的比较
6.1 与Wiener模型的区别
Wiener模型与Hammerstein模型在结构上正好相反：前者先经过线性动态环节，再进入静态非线性环节；后者则是先非线性后动态。两者都属于经典串联系统，但适合刻画的对象不同。
若系统的非线性主要出现在输入端，Hammerstein模型通常更合适；若非线性更多体现在输出测量或末端饱和，则Wiener模型往往更贴近实际。
6.2 与Volterra模型的关系
Volterra模型是一类更一般的非线性系统表示方法，可在理论上描述更复杂的记忆效应和非线性耦合。相比之下，Hammerstein模型是对特定结构的一种简化，因此参数更少、解释更清晰。
可以认为，Hammerstein模型在某些条件下可看作Volterra思想的结构化近似形式。它牺牲了部分表达自由度，换取了更好的可辨识性和计算便利性。
6.3 与黑箱模型的对比
与神经网络、支持向量机等黑箱模型相比，Hammerstein模型的优势在于结构明确、参数含义较直观，便于工程人员理解和调试。黑箱方法往往具有更强的拟合能力，但解释性较弱，且对训练数据质量依赖较大。
因此，在需要兼顾可解释性和中等复杂度建模的场景中，Hammerstein模型常是较稳妥的选择。
6.4 适用场景差异
Hammerstein模型更适合那些非线性主要集中在输入通道、动态行为相对稳定的对象。若系统具有强记忆效应、强反馈非线性或多阶段复杂失真，则需要考虑更高阶模型或其他非线性框架。
简单来说，当对象“先变形，再响应”这一特征较明显时，Hammerstein结构往往具有较高适配性。
7 工程应用
7.1 控制系统建模
在控制系统中，Hammerstein模型常用于构建对象模型、设计补偿器以及分析非线性对闭环性能的影响。由于其结构较清晰，它有助于将非线性影响局部化，从而简化控制器设计。
例如，在执行器存在饱和、阀门开度与流量关系非线性等场景中，该模型能够较好地描述输入侧的失真特征。
7.2 机械与电气系统
机械系统中，摩擦、间隙和材料非线性常会与惯性动态共同作用；电气系统中，则可能出现放大器非线性、传感器饱和和电路动态响应等现象。Hammerstein模型可用于刻画这些“前端非线性、后端动态”的组合行为。
在此类应用里，模型通常被用于系统辨识、故障诊断和性能预测。
7.3 生物医学信号处理
在生物医学信号处理中，一些测量设备或生理响应过程会体现非线性放大与动态滤波的混合特征。Hammerstein模型可用于描述刺激输入与观测输出之间的关系，辅助分析信号传递机制。
其优势在于能够将复杂过程拆分为可解释的两个层次：非线性转换与时间响应。
7.4 过程工业建模
在过程工业中，温度、压力、流量和浓度等变量经常表现出明显的动态滞后，同时局部环节又存在非线性。Hammerstein模型常用于近似这类对象的输入输出关系，以支持过程控制、软测量和在线优化。
由于工业数据常伴随噪声和工况波动，模型在实际使用时通常需要结合实验辨识和工程经验共同调整。
8 优缺点分析
8.1 优势
Hammerstein模型的主要优势在于结构简明、物理含义清晰、参数可解释性较强。相比更一般的非线性建模方法，它更容易实现辨识和控制设计，也更适合在有限数据条件下使用。
此外，其模块化结构便于分段分析和逐步优化，适合工程实践中的快速建模需求。
8.2 局限性
该模型的局限性在于结构假设较强，只能较好描述“先非线性后动态”的对象。若实际系统的非线性分布在多个阶段，或非线性与动态耦合程度很高，则单一Hammerstein结构可能不足以准确刻画。
同时，参数耦合和噪声敏感性也会增加辨识难度，尤其在数据有限时更为明显。
8.3 适用条件
Hammerstein模型适用于静态非线性较明显、动态环节可近似线性的系统。若输入激励覆盖范围充分，且能够获取较高质量的输入输出数据，则模型通常能获得较好的近似效果。
反之，在强非平稳、强随机扰动或机理极其复杂的对象上，其适用性会受到限制。
8.4 模型选择原则
选择Hammerstein模型时，通常应优先考虑对象机理、数据条件和建模目标。若目标是解释性和控制可实施性，Hammerstein模型具有较高价值；若目标是极致拟合精度，则可能需要更灵活的非线性方法。
实际工作中，常通过比较多个候选模型的误差、复杂度和稳定性，再确定最终方案。
9 相关研究方法
9.1 实验设计
实验设计的核心是通过合适的输入方案，使系统非线性和动态特征都能被充分激发。常见做法包括阶跃、扫频、随机激励和多幅值组合输入等。合理的实验设计有助于提升参数估计精度，并减少结构误判。
9.2 激励信号构造
激励信号应尽量覆盖系统的工作范围，同时避免过度饱和或激烈冲击。对于Hammerstein模型，输入信号不仅要激发线性动态部分，还要让非线性环节在多个区间内产生可观测变化。
因此，常会采用多正弦、伪随机序列或分段幅值信号，以增强辨识信息量。
9.3 数值仿真
数值仿真用于验证模型结构、测试辨识算法和分析参数变化对输出的影响。通过仿真，可以在控制实验风险的前提下，评估不同非线性函数和动态阶次的适配程度。
在研究中，仿真往往先于实测数据分析，用于筛选方法和验证理论推导。
9.4 性能评价指标
常用的性能评价指标包括均方误差、拟合优度、残差自相关、预测误差以及稳健性指标等。对于Hammerstein模型，除了总体误差外，还需关注非线性环节是否合理、动态响应是否真实，以及模型在未见数据上的泛化能力。
若模型用于控制任务，则还应评估闭环稳定性、响应速度和超调等系统层面的指标。