随着现代社会的高速发展,社会经济系统和社会系统日益复杂,通过研究发现,这些系统许多都可以看作是多变量系统,而结构复杂、参数多是多变量控制系统的典型特点。为了能更好的对多变量控制系统进行分析、综合和设计,论文利用数据滤波技术和梯度搜索来研究多变量系统参数辨识问题,取得了如下研究成果。(1)对于多变量方程误差滑动平均系统,首先要利用数据滤波技术预处理系统的输入数据和输出数据,将系统转化为包含系统参数的系统模型和包含噪声参数的噪声模型,但是辨识模型的信息向量中存在未知的噪声项,使得估计无法进行,这时可以采用前一时刻的估计值来代替未知项,然后借助于梯度搜索,推导出基于滤波的增广随机梯度算法。随机梯度算法的缺点是参数估计精度不高,思考在每一次的递推计算中尽可能多的使用系统数据,于是引入新息长度,将相关向量扩展为矩阵,推导出基于滤波的多新息增广随机梯度算法,这是一种有效提高参数估计精度的方法。(2)对于多变量方程误差自回归系统,在选用适当的滤波器对系统数据进行预处理之后,推导出基于滤波的广义随机梯度算法和基于滤波的多新息广义随机梯度算法。参数估计精度需要被进一步的提高,于是采取负梯度搜索,推导出基于滤波的梯度迭代算法。每一步迭代计算都会使用系统的全部数据,上一时刻的系统参数估计值用于计算当前噪声估计值,再用噪声估计值计算当前时刻的系统参数估计值。(3)上文提到的两种系统可以看作是多变量方程误差受控自回归自回归滑动平均系统的两种特殊情况。因此可以将已经推导出的算法继续推广应用到该系统,推导基于滤波的广义增广随机梯度算法、基于滤波的多新息广义增广随机梯度算法、基于滤波的梯度迭代算法,以及有限量测的滤波式梯度迭代算法,这四种算法显然更具有普适性。通过计算机仿真对论文中所提出的辨识算法进行测试,所得出的结果是符合预期的,这说明所提出的方法是有效的。最后对算法的优缺点和实际生产中的应用范围加以总结,同时明确今后的研究方向和研究重点。