经典的参数辨识方法主要有：(1)最小二乘法辨识：基于 1795 年高斯提出的最小二乘法， 通过极小化广义误差的平方和函数，得到系统数学模型的最优参数；(2)极大似然法辨识：基 于 1912 年 Ronald 提出的极大似然法，通过极大化似然函数，得到系统数学模型的参数估计 值；(3)梯度校正辨识算法：沿着误差准则函数的负梯度方向，逐步修正模型的参数估计值， 直至准则函数达到最小值，相较其它参数辨识方法具有计算简单的优点。这些参数辨识方法 目前已发展的相当成熟，但要求有大量的采样数据来达到良好的辨识效果，大量数据采集和 计算过程则需要耗费大量成本。

随着控制理论的发展，控制对象日益复杂、规模日益扩大，例如新能源、航空航天等实 际系统结构越来越复杂，并且对控制系统的精度、容错性和鲁棒性等提出了越来越高的要求， 因此，参数辨识的方法也随之不断发展。75313

文献[1]中基于压缩感知理论(CS)，在有噪声干扰和样本数据有限的情况下，针对具有大 时滞的多输入单输出受控自回归系统，文献中提出一种新的阈值正交匹配追踪算法。这种算 法可以在少量样本数据的情况下辨识系统的参数和时间延时，引入的阈值也有效地减少了由 噪声干扰而产生的参数辨识误差。这种方法的优点在于相对参数向量维数而言的少量样本数据，有效节省了采样成本，提高了辨识效率。 文献[2]中针对线性时变延时系统，采用广义正交多项式(GOP)进行参数辨识。GOP 表示各种个别的正交多项式，其特有的运算矩阵包含了所有正交多项式及非正交泰勒级数的性质。 这种方法的基本思想是将状态函数、控制函数分别用有限多 GOP 表示，利用其运算矩阵，将 时变时延微分方程转化为用展开系数表示的线性方程组，通过输入和输出的数据辨识参数[2]。 这种方法的优点是：计算过程简单，节约时间，并且可以得到更准确的结果。论文网

文献[3]中根据 Hopfield 神经网络计算原理，针对线性系统，提出一种新的参数辨识方法。 这种方法首先建立线性系统的 I/O 微分方程，利用连续型 Hopfield 网络估计线性系统 I/O 微 分方程的系数矩阵，并且在已知系统可观性矩阵的条件下，最终可以得到线性系统所有参数 的矩阵。

文献[4]中根据特征建模思想，针对线性时不变系统，确立了系统特征模型的特征参量和 子空间之间的关系，给出了一种特征模型的特征参量的合成辨识方法，并证明在子空间辨识 的样本数量充分大及状态估计时间充分长的条件下，特征参量的估计值与实际值之间的误差 值趋于零。这种方法有效地解决了需要辨识的特征参数与系统状态不能解耦的问题，同时还 确保了特征参量的估计值为恒定值，这为设计自适应控制器提供了便利。