长期以来，我国产业结构不合理，往往设备已经实现了国产化，而控制系统和优化策略仍然采用国外技术，造成工业行业“重设备、轻优化控制”的现象，普遍存在“有壳无脑”的局面。随着行业技术的发展，先进优化控制技术的重要性正逐步体现出来，已成为我国进一步实现节能增效和推进工业可持续发展的突破口。化工、炼油、冶金、轻工、建材和制药等过程工业是我国国民经济的重要支柱产业，要想在全球化的大趋势下始终保持强大的竞争力，必须加强先进优化和控制技术的研发与技术储备。
　　过程工业是通过物理变化和化学变化进行的生产过程，在新物质生成的同时伴随有能量的吸收与释放，是一个复杂的大工业系统，各生产装置之间存在着复杂的耦合和制约关系。各生产过程只有从实时性和整体性上全局协调，才能保证整个生产装置平稳、高效、安全的运行，这对工业过程的优化和控制提出了更高的要求。模型是现代工业过程先进优化和控制技术的基础。在工业过程生产装置中，由于原料特性变化较为频繁，参与过程实时控制的模型不仅要简单、准确，而且要具有较好的外推性和自适应性，能够正确反映过程的机理特性。这涉及过程对象的非线性、时变性、不确定性、强耦合和大时滞等内在复杂的机理问题，客观环境和人为因素。随着过程工业的大型化、综合化和复杂化，上述因素使得建模的难度越来越大。工业过程的建模应当从优化与控制的实际需求出发，突破传统的建模方法和辨识算法结构，以较为宽广的视野综合运用人工智能、现代统计理论、控制理论和优化技术等来有效地实现。
　　目前，在非线性动态建模方面，一类新颖的块结构非线性动态模型是其中的一个研究热点，它同时结合了动态线性模型和静态（无记忆）非线性函数模型，具有较易辨识、计算量少、能较好地反映过程特征的特点，适合作为过程控制模型使用。按其具体连接形式，可分为Hammerstein模型、Wiener模型、Hammerstein-Wiener模型和Wiener-Hammerstein模型。Hammerstein-Wiener模型（简称为N-L-N模型）包含Hammerstein模型和Wiener模型结构，比这两种模型中的任意一种都更接近实际工业过程中的非线性特性。这种模型能较好地描述工业设备和过程，如精馏塔、热交换器、连续搅拌反应釜（continuousstirredtankreactor，CSTR）、PTA生产中的浆料配置系统以及具有幂函数、死区、开关等特性的非线性过程。更为重要的是，可以利用模型的特殊结构把非线性控制问题简化为线性模型预测控制问题，解决了传统非线性控制方法计算量大、收敛性和稳定性不能得到保证等诸多问题，从而可以直接利用线性控制系统中的成熟理论，便于现场操作人员理解。因此，块结构模型是工业过程中最有效的模型之一，也是研究的热点。

　　复杂工业过程具有多变量、变量间非线性和强耦合等特点，且受多种不确定因素干扰导致难以建模，针对这一问题，《基于组合式信号源的块结构模型辨识方法》从块结构模型中间变量不可测量的角度出发，分析块结构模型各串联模块在不同激励信号作用下的特性，系统地提出复杂工业过程块结构非线性动态模型描述和辨识的新方法，主要包括采用神经模糊技术的串联模块建模方法、全新智能分离算法和模块参数辨识算法、利用补偿技术的块结构非线性动态系统过程噪声建模方法等，并利用随机过程理论分析和比较所提方法的性能。

目录
《智能科学技术著作丛书》序
前言
第一部分 块结构模型
第1章 块结构模型概述 3
1.1 引言 3
1.2 静态非线性环节与动态线性环节的同步辨识法 4
1.2.1 过参数化法 4
1.2.2 子空间法 6
1.2.3 调制函数法 6
1.2.4 直接辨识法 7
1.3 静态非线性环节与动态线性环节的分步辨识法 8
1.3.1 迭代法 8
1.3.2 分离最小二乘法 9
1.3.3 多信号源法 10
1.3.4 盲辨识法 11
1.3.5 频域法 12
1.3.6 随机法 12
1.4 基于Hammerstein模型的控制系统设计 13
1.5 块结构模型研究中存在的关键问题 15
1.6 全书概况 16
参考文献 18
第二部分 基于二进制-随机复合信号源的块结构模型辨识方法
第2章 基于二进制-随机复合信号源的Hammerstein模型辨识方法 27
2.1 基于泰勒级数展开法的Hammerstein模型辨识 27
2.1.1 基于神经模糊的Hammerstein模型 27
2.1.2 基于神经模糊Hammerstein模型的辨识 30
2.1.3 实验结果 32
2.1.4 小结 41
2.2 基于Lyapunov方法的Hammerstein模型辨识 43
2.2.1 神经模糊Hammerstein模型 43
2.2.2 神经模糊Hammerstein模型辨识 44
2.2.3 实验结果 47
2.2.4 小结 54
参考文献 54
第3章 基于二进制-随机复合信号源的Hammerstein-Wiener模型辨识方法 56
3.1 基于二进制-随机复合信号源的Hammerstein-Wiener 模型 56
3.1.1 神经模糊Hammerstein-Wiener模型 57
3.1.2 神经模糊 Hammerstein-Wiener 模型各串联环节的分离 58
3.1.3 基于神经模糊Hammerstein-Wiener模型的控制系统 64
3.1.4 实验结果 64
3.1.5 小结 67
3.2 基于两阶段复合信号的Hammerstein-Wiener模型 68
3.2.1 基于两阶段复合信号的神经模糊Hammerstein-Wiener模型 68
3.2.2 实验结果 71
3.2.3 小结 73
参考文献 74
第4章 含过程噪声的块结构模型二进制-随机复合信号源辨识方法 76
4.1 基于辅助模型递推最小二乘法的Hammerstein模型 76
4.1.1 一类含过程噪声的Hammerstein模型 76
4.1.2 基于辅助模型递推最小二乘法的Hammerstein模型多信号源辨识方法 77
4.1.3 实验结果 79
4.1.4 小结 82
4.2 基于偏差补偿递推最小二乘法的Hammerstein-Wiener模型 82
4.2.1 一类含过程噪声的Hammerstein-Wiener模型 83
4.2.2 基于偏差补偿递推最小二乘法的Hammerstein-Wiener模型多信号源辨识方法 84
4.2.3 实验结果 87
4.2.4 小结 90
4.3 基于辅助模型多新息随机梯度法的Hammerstein模型 92
4.3.1 基于辅助模型多新息随机梯度法的Hammerstein模型多信号源辨识方法 92
4.3.2 实验结果 95
4.3.3 小结 98
参考文献 98
第三部分 基于可分离信号源的块结构模型辨识方法
第5章 基于可分离信号源的多输入多输出Hammerstein模型辨识方法 101
5.1 多输入多输出Hammerstein模型 101
5.2 基于可分离信号源的多输入多输出Hammerstein模型辨识 102
5.2.1 基于神经模糊的多输入多输出Hammerstein模型 102
5.2.2 基于可分离信号源的多输入多输出Hammerstein模型辨识 103
5.2.3 实验结果 109
5.2.4 小结 117
参考文献 117
第6章 含过程噪声的多输入多输出Hammerstein模型可分离信号源辨识方法 119
6.1 含过程噪声的多输入多输出Hammerstein模型辨识 119
6.1.1 含过程噪声的多输入多输出Hammerstein模型 119
6.1.2 含过程噪声的多输入多输出Hammerstein模型辨识 120
6.1.3 实验结果 124
6.1.4 小结 135
6.2 基于可分离信号的Hammerstein输出误差滑动平均系统辨识 136
6.2.1 Hammerstein输出误差滑动平均系统 136
6.2.2 神经模糊Hammerstein输出误差滑动平均系统辨识 137
6.2.3 实验结果 143
6.2.4 小结 146
参考文献 148
第7章 含过程噪声的Hammerstein-Wiener模型可分离信号源辨识方法 149
7.1 基于可分离信号的Hammerstein-Wiener模型辨识方法 149
7.1.1 神经模糊FIR Hammerstein-Wiener模型 149
7.1.2 神经模糊Hammerstein-Wiener模型辨识方法 150
7.1.3 基于Hammerstein-Wiener模型的控制系统设计 154
7.1.4 实验结果 154
7.1.5 结论 159
7.2 基于递推广义增广最小二乘法的Hammerstein-Wiener模型可分离信号源辨识 159
7.2.1 噪声干扰下的FIR Hammerstein-Wiener模型 159
7.2.2 基于递推广义增广最小二乘法的Hammerstein-Wiener辨识 160
7.2.3 实验结果 166
7.2.4 小结 170
参考文献 171