传统采样数据系统的输入刷新周期与输出采样周期相等,操作频率相同而且同步,这种只有单一操作频率的系统称为单率系统。然而,在化工过程中,某些指示化工产品质量的数据不能直接在线测量,导致输出采样频率比系统的输入刷新频率慢,这种具有两种及两种以上操作频率的系统称为多率系统。多率系统虽然具有多种操作频率,但是对于各个输入或输出通道来说,采样频率是保持不变的,即采样间隔不变。当系统的输入刷新或输出采样间隔呈现不等时间间隔时,则得到非均匀采样数据系统。由于硬件设备的限制等原因,非均匀采样数据系统广泛存在于过程工业中,寻求这类系统的有效参数辨识方法,具有重要的理论意义和实际应用价值。针对这一现状,拟定课题为非均匀采样数据系统的辨识方法研究。作者在查阅了大量相关文献的基础上,对该课题进行了深入的研究,取得了如下成果。1.在白噪声干扰下,推导了辨识非均匀采样数据系统CAR模型参数的随机梯度算法。为了提高算法的收敛速度和辨识精度,分别引入遗忘因子和新息长度,推导了遗忘梯度算法和多新息随机梯度算法,并利用随机过程理论对这两种算法的收敛性做了详细的理论分析,文中的仿真例子也表明了所提出算法的有效性。2.利用辅助模型技术,推导出辨识非均匀采样数据系统输出误差模型的辅助模型随机梯度算法,并利用鞅收敛定理证明了该算法的收敛性。同时也得到了辅助模型遗忘梯度算法和辅助模型多新息随机梯度算法,仿真例子表明:通过选取合适的遗忘因子与新息长度,两种算法都可以得到令人满意的辨识效果。3.在MA模型和ARMA模型描述的有色噪声干扰下,研究了非均匀采样数据系统CARMA模型、CARARMA模型、OEMA模型以及Box-Jenkins模型的梯度型辨识方法。基本思想是将不可测的白噪声项和有色噪声项分别用其估计代替,将不可测的未知真实输出用辅助模型的输出代替。最后通过仿真例子对各算法的辨识性能进行了验证。