非线性系统广泛存在于工业实践中,且随着工业化的发展,系统的复杂程度不断加深,系统数学模型更加复杂,辨识过程中的计算量也越来越大,因此非线性系统辨识研究具有重要的理论意义和实用价值。本文采用牛顿方法,递阶辨识原理和关键变量分离原理研究了输入非线性方程误差类系统辨识方法,取得了如下的研究成果。1.针对白噪声干扰下的输入非线性系统,详细推导了非线性系统牛顿迭代辨识方法。为了解决信息向量维数大而导致的计算量过大的问题,使用关键变量分离原理,将系统输出表示为所有待辨识参数的线性回归形式;使用递阶辨识原理,将原系统分解为两个含参数少的子系统,然后在此模型基础上推导了牛顿迭代算法。通过对三种算法的计算量定量比较和数值仿真,验证了所提出的两种算法的有效性和计算量小的特点。2.针对滑动平均噪声干扰下的输入非线性系统,也就是输入非线性方程误差滑动平均模型,分别推导基于关键变量分离的牛顿迭代算法和基于递阶分解的牛顿迭代算法,通过对这两种算法和直接的牛顿迭代算法的仿真分析,验证了将关键变量分离原理和递阶辨识原理应用于输入非线性系统辨识的有效性。3.针对输入非线性方程误差类系统,将关键变量分离原理和递阶辨识原理应用在牛顿迭代辨识方法中,用相应的估计值代替算法中的未知中间变量和噪声项,从而实现参数估计算法。由于输入非线性方程误差模型、方程误差自回归模型和方程误差滑动平均模型都是方程误差自回归滑动平均模型的简化形式,因此对这类模型的算法研究更具有普遍性。综上,本文研究了输入非线性方程误差类系统的牛顿迭代辨识方法,仿真实验表明了这些方法可以在不影响算法参数估计精度的同时减小计算量。论文最后给出了结论和展望,并对本课题的研究所面临的一些困难和有待深入研究的问题做了简单介绍,文中所给出的几种输入非线性系统的辨识算法的收敛性有待进一步证明。