以前讲过，除了别的结果，在浙大工作五年学术上取得了三项自己满意的学术成果。最近第二项和第三项的有关文章正式发表了，现在把三篇文章放在这里，供大家参考。

1. 系统辨识预测误差的一个全局收敛算法

   我花了7篇博客介绍这项成果的产生和发表过程。自认为是系统辨识的一个重大突破，因为解决了一个48年未解决的难题。这篇文章只解决了开环实验的问题，但已有同行沿着同一技术方向，开始解决闭环实验问题，成功在望。能解决一个近半世纪的难题，然后有人跟进，可以说是学术游戏的高境界了。
   

   Zhu,Y.C. and H. Hjalmarsson (2016). The Box-Jenkins Steiglitz-McBride algorithm. Automatica,Vol. 65, pp. 170-182.

   The Box-Jenkins Steiglitz-McBride method - Automatica - Zhu and Hjalmarsson.pdf
   

2. EIV系统的渐近辨识法

   输入含噪声系统叫errors-in-variables系统，缩写为EIV系统。相对输入无噪声系统，对输入有噪声的EIV系统辨识的研究工作就少多了，虽然也陆陆续续研究了几十年。当前一些学者提出的方法只能达到无偏（一致）的结果，几个有效（最小方差）的结果假设条件过强。经过两年努力，我和一个博士生成功把我的渐近法推广到EIV系统，得到假设条件最弱的无偏+有效（最小方差）估计。其实方法的有效性还没有完全证明，有兴趣的同行可帮我们证一下，只要证明ARX模型的有效性就解决了。
   

   Liu, X. and Y.C.Zhu (2017). Identification of errors-in-variables systems: An asymptotic approach. Int. Journal of Adaptive Control and Signall Processing, DOI10.1002/acs.2751.

   Liu_et_al-2017-International_Journal_of_Adaptive_Control_and_Signal_Processing.pdf
   

3. Anti-aliasing滤波及快采样系统辨识

   我的一位西安交大师弟1997年起发表了几篇文章，提出了一种快速采样辨识方法，并指出该方法能在无激励信号的闭环实验条件下保证系统的可辨识性。这是一个很巧妙的方法，但一直没有得到辨识界的重视。我一直想理解该方法的机理，并想把其扩展到包含激励信号的情况。我让另一位博士生把渐近理论推广到快采样系统。经过艰苦的努力，学生推出了简单明了的公式，揭示了快采样闭环辨识可辨识性的机理和条件，即输出噪声含有高频成分时，系统才是可辨识的，否则不可辨识。这里，我们发现了一个物理规律，即闭环条件下，高频不可测噪声可以作为激励信号辨识低频模型。但愿这一发现会导致新的算法和技术。

   同时，学生对辨识中的anti-aliasing滤波进行了分析，指出教科书中的做法是错误的。该工作部分结果已在IFAC辨识会议宣读两篇论文，两篇期刊论文也已发表。

   
   

   Fang, M. and Y.C. Zhu (2017). Analysis of over-sampling based identification. Automatica, Vol. 79, pp. 101-107.

   Automatica paper -Fang and Zhu 2017.pdf

   
   

   Mengyuan Fang, Yucai Zhu, Håkan Hjalmarsson (2017). On anti-aliasing filtering and over-sampling scheme in system identification. Computers and Chemical Engineering, 106 (2017) pp. 572-581.  

   On anti-aliasing filter and over-sampling identification- CCE.pdf