本文针对带量化输出的输出误差模型和带量化输出的非线性输出误差模型进行辨识研究,介绍了基于模块化和递推思想的递归预测误差辨识算法;在此基础上,为了在每次递归中使用更多可用数据,运用加权的思想得到了加权递归预测误差辨识算法。在修正加权算法中,使用当前步骤中的信息来更新未知参数的估计。在t时刻的参数的估计值是由矫正项来更新的,参数的估计值将通过当前递归步骤处的矫正项和前一时刻的矫正项来更新。为了确保估计的准确性,新的矫正项将是当前递归步骤处的矫正项和前一时刻的矫正项的加权和。本文的主要研究工作如下:1.输出误差模型加入量化器后,不能直接测得输出误差模型的输出,从而使辨识输出误差模型的参数变得困难。因此,针对带量化输出的输出误差模型,本文采用了递归预测误差算法来辨识输出误差模型的参数。在此基础上,提出了加权递归预测误差算法、变梯度加权递归预测误差算法和修正加权递归预测误差算法。在这三个加权算法中,参数的估计值是由当前递推步骤的矫正项与前一时刻的校正项的加权和来更新,从仿真实验结果可以得到加权后的算法具有更好的辨识性能。2.本文推导了针对带量化输出的非线性输出误差模型的递归预测误差算法,算法中对量化器的导数取常数作为最简单的近似。考虑到用常数近似量化器的导数会引起较大的误差,提出了变梯度递归预测误差算法,用平滑函数近似量化器的导数。递归预测误差算法和变梯度递归预测误差算法中,算法递推过程中所使用的参数值均使用递推初始值,为了使每一步计算更有效,提出了修正递归预测误差算法。在修正递归预测误差算法中,递推中得到的参数值来修正算法中的相关计算。