1、數(shù)學(xué)模型是分析系統(tǒng)動(dòng)態(tài)特性的基礎(chǔ)。辨識技術(shù)是建立復(fù)雜系統(tǒng)數(shù)學(xué)模型的有效方法之一。在實(shí)際工業(yè)生產(chǎn)過程中，由于控制系統(tǒng)日益復(fù)雜，僅依靠系統(tǒng)輸入輸出信息的辨識理論在建模過程中發(fā)揮著越來越重要的作用。隨機(jī)梯度算法是辨識理論中的一種經(jīng)典算法，而現(xiàn)有的隨機(jī)梯度辨識算法都是建立在一個(gè)參數(shù)向量的基礎(chǔ)上。然而，對于復(fù)雜的動(dòng)態(tài)系統(tǒng)，這種辨識方法會影響辨識算法的收斂速度和在計(jì)算機(jī)上的運(yùn)算速度，并且，所得到的參數(shù)的辨識精度比較低。為了克服此缺陷，在經(jīng)典隨機(jī)梯度

2、辨識算法的基礎(chǔ)上，我們利用遞階辨識原理建立基于最新估計(jì)信息的多新息隨機(jī)梯度辨識算法。本文的主要研究對象為方程誤差類模型，包括方程誤差模型、方程誤差滑動(dòng)平均模型、方程誤差自回歸模型和方程誤差自回歸滑動(dòng)平均模型。主要的研究內(nèi)容和結(jié)果包括以下幾個(gè)方面。
　　對四種方程誤差類模型，利用遞階辨識原理，將隨機(jī)梯度算法中一個(gè)參數(shù)向量分解成兩個(gè)子參數(shù)向量，然后對每個(gè)子參數(shù)向量，分別采用隨機(jī)梯度辨識算法進(jìn)行參數(shù)辨識，從而提出了遞階隨機(jī)梯度辨識算法。

3、該算法通過拆分向量提高了算法的收斂速度。
　　在上述遞階隨機(jī)梯度辨識算法中，估計(jì)第二個(gè)子參數(shù)向量時(shí)，利用了第一個(gè)子參數(shù)向量上一時(shí)刻的估計(jì)值。但是，此時(shí)第一個(gè)子參數(shù)向量當(dāng)前時(shí)刻的估計(jì)值是已知的。一般情況下，參數(shù)向量的當(dāng)前時(shí)刻的估計(jì)更接近于其真值。因此，在遞階隨機(jī)梯度辨識算法的基礎(chǔ)上，我們充分利用最新的估計(jì)信息，針對四種方程誤差類模型，提出了基于最新估計(jì)信息的多新息隨機(jī)梯度辨識算法。
　　對所提出的基于最新估計(jì)的辨識算法進(jìn)行仿真