精确的对象数学模型是先进控制理论应用的必要前提,是否能够得到表征系统特性的模型对优化控制起至关重要的作用。本文对系统辨识的原理方法、信号的选择等方面重点介绍,并通过仿真采集数据信息进行辨识计算。针对实际工业应用情况做了以下几个方面的工作:　　 1、介绍系统辨识的发展情况以及现代辨识方法,描述了模型类型、建模方法以及误差准则的选取。对经典的辨识算法:最小二乘法、图解法、基于FIR模型的最小二乘法通过仿真对系统模型进行辨识得出各算法的优缺点。　　 2、研究NLJ、粒子群优化算法(PSO)以及遗传算法(GA)在系统辨识中的应用,并针对在实际应用中,遗传算法收敛速度慢、精度较低、易陷入局部最优等缺点,通过修改参数变化范围的上限对遗传算法进行改进,能够保证算法跳出局部最优所搜到参数的无偏一致估计。在满意度的概念上利用改进的遗传算法优化控制器参数,能够得到满足要求的控制系统。　　 3、针对实际应用过程中,控制回路不允许转换成开环形式但经典辨识算法无法直接应用于闭环辨识的情况,将粒子群算法的全局搜索能力和Rosenbrock算法的局部搜索能力结合,提出了PSO-Rosenbrock算法。该算法不需要控制器的先验知识,在闭环条件下,对任意测试信号都能获得待估对象的所有参数,不仅提高了收敛速度,缩短了辨识时间,同时极大地减小了模型辨识参数对参数初始值依赖性。　　 4、介绍常用的多项式预测滤波、中值滤波以及三次函数替代滤波算法,均具有较强的滤波能力。但是过于平滑的或有失真的波形会减少数据提供的有效信息,降低辨识精度。通过对中值滤波数据采用取均值的方式进行滤波,能够有效地去除脉冲废值并提供更多的信息量,与单纯中值滤波相比辨识结果大幅改善。