系统辨识就是从系统的输入输出数据建立它的数学模型。只当系统线性依赖于未知参数时，基于最小二乘的方法，才可能导致递推辨识算法。对非线性系统现有的多数辨识方法都用固定N的样本集离线地进行，因此当得到新的数据时，估计不能在线更新。近年来，对非线性系统的递推辨识以及较弱条件下对线性ARMAX及变量带误差系统的递推辨识都取得了进展。
我们给出的递推辨识并不基于最小二乘，而分三步实现。首先把系统辨识转化成参数估计问题，其次把待估参数看成未知函数（称为回归函数）的根，所以参数估计就转化成了基于量测的求根问题。但经典的RM算法一般不能解此问题，因为RM算法所要求的收敛条件，一般不满足。第三步就是用求根算法SAAWET来取代RM算法，递推地辨识系统。
这个方法的关键点在于选好合适的回归函数，并证明SAAWET所要求的收敛条件。为展示这一方法，我们以MIMO Hammerstein系统的递推辨识为例，给出了对线性及非线性部分的递推估计算法。所给出递推估计都是强一致的。并给出了一个二维Hammerstein系统辨识的数值模拟实例，计算表明，所有估计收敛到真值。 |
