随着科技的发展,现实中的控制系统也更加复杂,对控制精度的要求也越来越高,非线性系统广泛存在于过程控制领域。而非线性系统的参数辨识是设计控制器的基础。对于非线性程度不高的研究对象可以将其看成线性模型来处理,而大部分的非线性系统具有耦合特性、参数化后维数增大,传统的辨识方法不能应用于结构复杂的非线性系统,因此非线性系统的参数辨识具有重要的研究意义。本文借助奇异值分解、遗传算法、最小二乘法及递推算法等相关辨识方法研究了Hammerstein和Hammerstein-Wiener非线性系统的辨识问题,并通过数值仿真验证了方法的辨识性能。具体工作内容如下。针对Hammerstein-Wiener系统,研究了为辨识Hammerstein-Wiener系统而提出的两阶段辨识算法,借助奇异值分解和最小二乘思想,进而提出了使用遗传算法作为优化工具来辨识Hammerstein-Wiener非线性系统的参数,并将基于遗传算法的辨识结果与Bai的两阶段辨识算法进行了性能比较。针对Hammerstein模型,研究了Hammerstein模型参数估计的加权最小二乘辨识方法和基于偏差补偿的最小二乘法,当观测数据被未知的有色噪声干扰时,可以在缺少有关噪声先验信息的情况下,进行参数的渐近无偏估计,使真实模型和待辨识模型之间的偏差范数最小化。针对带有过程噪声的Hammerstein-Wiener系统,在Bai的两阶段辨识算法基础上,推导了最小二乘参数估计的递推方法和基于偏差补偿的最小二乘递推辨识方法,借助偏差补偿递推最小二乘法辨识含原系统参数乘积项的参数向量。在递推最小二乘算法中引入了修正项,用以补偿过程噪声引起的估计偏差。进而应用奇异值分解法分离出原系统各参数的值,在频域上将失配误差的范数最小化问题转换为加权最小二乘问题,提高参数分离精度。