简介：北航《系统辨识与自适应控制MATLAB仿真》配套程序包，适合正在学习系统辨识、自适应控制与MATLAB仿真的本科生或工程师，用于打通理论到代码实现的环节。压缩包共114个文件，内含46个m脚本、7个exe可执行程序，以及Delphi/VB工程文件，总大小约1MB，解压后可按章节查找。已有272人学习，内容覆盖最小二乘法、ARX/状态空间建模、模型参考自适应控制、LQG自适应控制、滑模控制等，并涉及仿真步长设置、实验数据处理与结果绘图等技巧。此外，程序中还包含不确定系统鲁棒处理的示例，以及机械臂、电力系统等应用案例，方便读者了解从建模、控制器设计到仿真验证的完整流程。为想在控制领域提升编程与调试能力的读者，这套程序提供了完整可运行示例，可对照教材逐行理解。 手头拿到过北航《系统辨识与自适应控制MATLAB仿真》课程配套程序包的人，大概都经历过同样的场景：课堂上推导公式推到怀疑人生，最小二乘、递推估计、模型参考自适应控制一堆数学符号在PPT上整整齐齐，一到自己动手仿真就不知道从哪里开始。这套程序的意义恰恰在于，它把教材里那些抽象的递推公式和稳定性证明，变成了可以直接运行、可以改参数、可以看曲线的m文件。无论你是正在修这门课的学生，还是工作中需要做系统辨识或自适应控制项目但没经验的工程师，把这套程序吃透，都能省掉大量从零造轮子的时间。
这篇文章我想从一个实际运行者的角度，拆一下这套程序包里的核心模块、算法实现思路、以及我在跑通和复现过程里踩过的坑。我不会把每个文件逐行贴出来，而是把“程序为什么这么组织”“每个核心算法需要盯哪些关键参数”“仿真不收敛时从哪里排查”这类真正影响你上手效率的问题讲清楚。
1. 这套程序到底解决了什么问题
1.1 辨识和控制为什么总是成对出现
先捋一个基本逻辑链。系统辨识解决的是“被控对象到底长什么样”的问题，也就是根据输入输出数据，把对象的数学模型结构定下来，参数估出来。自适应控制解决的是“对象参数在变，控制器怎么跟着调”的问题。这两个问题在工程上是绑定的——你连对象模型都不知道，控制器参数再怎么自适应也缺少基准；反过来，辨识出来的模型如果不能服务于控制设计，那辨识就只是离线分析，价值少了一大半。
北航这套课程程序把这两块放在一起，原因也在这。它不是单纯让你跑一个最小二乘就完事，而是让你体验完整的闭环：先对对象施加激励信号，采集数据，离线辨识对象模型；再把这个模型作为自适应控制设计的基础，在Simulink或m脚本里搭建控制回路，观察参数突变时控制器如何调整自己。这种“先辨识、后控制”的叙事，是这门课的核心主线，也是程序包组织逻辑的骨架。
1.2 MATLAB仿真在这门课里的真实角色
MATLAB在这门课里不只是计算工具，它承担了三层职能。第一层是算法验证，把最小二乘、辅助变量法这些递推公式写成代码，验证推导结果的正确性；第二层是实验平台，模拟各种噪声环境、参数时变场景，这些在真实物理对象上很难人为制造，但在仿真里可以随时注入；第三层是演示工具，课程答辩、报告里的辨识曲线、控制响应曲线，基本都是靠这套仿真程序生成的。
明白了这三层职能，你再看程序包的构成就不会觉得杂乱。它既有离线辨识算法脚本，又有在线递推算法脚本，还有带噪声注入的信号生成模块和控制回路仿真模型。每个文件都对应着教学大纲里的某个知识点，本质上是一套“可执行的讲义”。
2. 程序库整体结构拆解
2.1 辨识模块：最小二乘家族的进阶路线
辨识部分不是只给一个最小二乘就结束，而是按照“基本方法→改进方法”的路线铺开的。我手里看到的程序包里，最小二乘相关的脚本就有好几类：一次完成最小二乘、递推最小二乘、增广最小二乘、广义最小二乘，还有辅助变量法。这个编排顺序是有讲究的。
普通最小二乘在噪声为白噪声的条件下是无偏估计，这个条件在真实系统里几乎不成立，噪声往往是相关的、有色的。增广最小二乘的思路是把噪声模型也纳入辨识范围，把噪声模型的参数作为增广状态一起估计。广义最小二乘则是通过对数据预先滤波，把有色噪声白化后再做最小二乘。辅助变量法更直接，构造一个与噪声不相关的辅助变量来消除偏置。程序里这几个脚本放在一起，你只要对比着跑一遍，马上就能理解教科书上那句“有色噪声会使最小二乘估计有偏”到底是什么意思。
每一个脚本的代码量其实都不大，都在几十行到上百行的量级。关键在于，这些脚本共享了一套数据生成函数，你可以在统一的模型设定下切换辨识算法，直接比较它们的估计精度。这种设计对学习特别友好，强烈建议你不要只跑默认参数，而是亲手改一改噪声方差、模型阶次，感受不同算法的差异。
2.2 自适应控制模块：模型参考与自校正两条路线
自适应控制部分主要覆盖两大方向：模型参考自适应控制（MRAC）和自校正控制。MRAC的思想很直观，你先设定一个参考模型，这个模型的输出是你期望的响应，然后通过自适应律调整控制器参数，让实际对象的输出尽量去跟踪参考模型的输出。
程序里MRAC的实现通常会提供两种自适应律的对比：基于MIT律的梯度型设计，和基于李雅普诺夫稳定性理论的超稳定性设计。MIT律实现简单，但自适应增益选不好就容易发散；李雅普诺夫方法更稳健，但推导过程复杂。程序里把两种都写出来，跑一下对比曲线，你对“为什么教科书里强调稳定性设计”这个问题的理解会直接上几个台阶。
自校正控制那边，核心是“在线辨识 + 控制器参数计算”的实时循环。每来一个新数据，先用递推参数估计更新模型参数，再根据新的模型参数计算控制器参数。程序里一般会实现最小方差自校正控制或极点配置自校正控制的仿真，你可以直观看到控制器参数在仿真过程中如何一步步自动调整，最终把输出方差压下去。
3. 核心算法实现与参数调试要点
3.1 递推最小二乘的代码骨架
递推最小二乘（RLS）是整套程序里的重中之重，后面几乎所有在线算法都基于它。核心代码其实很紧凑，关键就四步：计算增益、更新参数估计、更新协方差矩阵、递推推进。我习惯把一个基础的RLS循环写成下面这样，方便对照程序理解。
% theta: 参数向量初始化(一般给零向量) % P: 协方差矩阵初始化(C通常较大，比如eye(n)*1000) for k = 1:N phi = [-y(k-1), -y(k-2), u(k-1), u(k-2)]'; % 回归向量 % 计算增益 K = P * phi / (lambda + phi' * P * phi); % 更新参数估计 theta = theta + K * (y(k) - phi' * theta); % 更新协方差矩阵 P = (eye(n) - K * phi') * P / lambda; end这段代码里最值得研究的是lambda，也就是遗忘因子。lambda取1时，算法不会遗忘以前的数据，适合时不变系统；lambda取0.95到0.99之间时，算法会更重视近期数据，适合参数缓慢时变的系统。但lambda不能取得太小，否则协方差矩阵P会不断增大，参数估计在噪声作用下剧烈漂移，甚至发散。
另外要注意回归向量的构造顺序，这直接影响到你最后读出来的参数对应关系。程序里通常把输出项放在前面，输入项放在后面，排列顺序和你在理论推导里使用的差分方程形式是对应的。改程序前先把这个对应关系理顺，否则你辨识完都不知道theta里哪一项是a1、哪一项是b1。
3.2 遗忘因子和噪声设置的经验值
看了不少同学跑这套程序时踩的坑，大部分问题其实出在两个地方：遗忘因子和噪声设置。
遗忘因子这块，我的经验是，除非你要辨识时变系统，否则尽量取0.98以上。很多初学者为了展示算法的自适应能力，一上来就把lambda设成0.9，结果曲线抖得跟心电图一样，还想不明白为什么。道理很简单，lambda越小，算法对噪声越敏感，历史数据被快速遗忘，参数估计的方差就会变大。如果是离线辨识一段固定数据，直接用lambda=1就行，不需要引入遗忘机制。
噪声设置方面，程序里一般会在信号生成部分给一个高斯白噪声发生函数，幅度用方差或信噪比控制。想得到漂亮的辨识结果，信噪比不能太低，一般保证噪声方差是信号方差的10%以内。想测试算法在恶劣条件下的表现，再把噪声加大。我给你的建议是，先跑出无噪声或弱噪声条件下的理想结果，确认实现正确，再逐步加大噪声，观察各种辨识算法的退化差异，这才是这套程序的教学重点。
3.3 模型参考自适应控制的仿真搭建要点
MRAC仿真在程序包里通常有两种实现方式：全部写在m脚本里，或者用Simulink搭建。m脚本的方式更适合理解算法流程，Simulink方式更适合观察控制系统的实时响应。
如果是m脚本方式，你需要手动写被控对象差分方程，在每个仿真步长内先计算参考模型输出，再根据误差计算自适应律，最后更新控制量。这个流程看着简单，但有一个很容易踩的坑：自适应增益gamma的取值尺度。gamma太小，参数调节速度慢，误差半天消不掉；gamma太大，系统高频震荡甚至发散。不是每个程序都给了合适的默认gamma，所以你要做好手动调参的心理准备。
我的做法是先用很小的gamma（比如0.01量级）跑一遍，确定系统不发散以后，再逐步增大gamma，观察误差下降速度和震荡情况，找到“误差收敛快但震荡不明显”的临界值。这个过程很像调PID参数，需要一点耐心，但试过几次以后，你对自适应律的收敛机制会形成很直观的直觉。
4. 实操过程与仿真场景复现
4.1 一个典型场景：带噪声的二阶系统辨识
我用程序包里的标准示例，给你演示一个完整的辨识流程。假设被控对象是一个二阶离散系统，真实差分方程是：
y(k) + 1.2*y(k-1) + 0.35*y(k-2) = 0.4*u(k-1) + 0.2*u(k-2) + v(k)其中v(k)是零均值白噪声，方差设为0.01。系统是稳定的，两个极点都在单位圆内，属于比较温和的辨识对象。
仿真第一步是生成激励信号，程序里一般会用M序列或者伪随机二进制序列（PRBS）。激励信号长度取500到1000个点足够了。第二步是采集输入输出数据，然后调用一次完成最小二乘脚本，得到离线辨识结果。对同样的数据，再调用递推最小二乘脚本，观察参数估计随迭代次数的收敛轨迹。
对比两组结果你会发现，离线最小二乘直接给出一个估计值，而递推最小二乘展示的是一条从初始值逐步逼近真值的曲线。这条收敛曲线就是课程里反复强调的“在线实时辨识”的直观证据。我把这个过程的脚本骨架整理如下，你可以对照程序包理解：
% 生成PRBS激励信号 u = idinput(N, 'prbs'); % 模拟对象输出 for k = 3:N y(k) = -1.2*y(k-1) - 0.35*y(k-2) + 0.4*u(k-1) + 0.2*u(k-2) + v(k); end % 构造回归矩阵 Phi = [-y(2:N-1), -y(1:N-2), u(2:N-1), u(1:N-2)]; % 一次完成最小二乘 theta_ls = Phi \ y(3:N)'; % 递推最小二乘 [theta_rls, traj] = rls_fun(y(3:N)', u(3:N)', 0.99);这里有个小细节，构造回归矩阵时会把y的延时项和输入项错位排列，常见错误是padding的时候没有对齐，导致后面的数据全部错位。拿着程序跑之前，先像上面这样把索引关系理清，能省很多排查时间。
4.2 激励信号的选择逻辑
激励信号不是随便给个正弦波就行，系统辨识领域有个硬性要求叫“持续激励条件”。简单说，输入信号必须足够丰富，能够激发系统的所有动态模态，否则辨识算法没法产生足够的有效信息来估计全部参数。
我见过很多同学直接用阶跃信号做激励，辨识出来的参数一塌糊涂，还以为是算法写错了。原因很简单，阶跃信号只在低频段有能量，激发不出系统的高频特性。程序里默认提供的是PRBS信号，也就是伪随机二进制序列，它的频谱近似白噪声，在整个频带内都有能量分布，能有效激励系统。
如果你自己设计激励信号，记住这个原则：优先选用PRBS或多正弦叠加信号，避免用恒定值或单一频率正弦。信号幅值方面，也要兼顾系统线性和信噪比。幅值太小，辨识结果被噪声淹没；幅值太大，可能把系统推出线性工作区，导致模型失配。实际操作中一般取系统正常工作幅值的5%到20%之间，具体多少要根据你的对象特性来定。
4.3 结果曲线怎么读
跑完辨识仿真，你面前通常有三类曲线：输出响应对比图、参数收敛轨迹图、误差曲线图。这三类图的读法不一样，很多人只盯着输出对比图看，其实信息量最大的是参数收敛轨迹。
输出响应对比图看的是模型拟合精度，也就是实际系统输出和辨识模型输出的重合程度。如果两条曲线基本重叠，说明模型结构正确、参数估计精度高。参数收敛轨迹图看的是递推算法的收敛行为，重点观察参数是否从初始值快速收敛到真值附近，收敛后是否稳定，有没有持续漂移。误差曲线图看的是残差性质，白噪声情况下的残差应该是不相关的，如果残差出现明显的自相关，说明模型阶次可能不够，或者噪声模型没有正确辨识。
自适应控制部分的曲线解读稍有不同。MRAC仿真里，你需要同时看跟踪误差和参数调节轨迹。跟踪误差是指参考模型输出和对象实际输出的差，这个差值应该逐步收敛到零附近。参数调节轨迹展示的是控制器参数在自适应律作用下的演化过程，同样的，应该收敛到某个稳定区域而不是持续发散。
5. 常见问题与排查技巧实录
5.1 参数估计不收敛时的排查路径
这是我在使用这套程序时收到反馈最多的问题。按我的经验，不收敛的原因可以按概率排序：激励信号不够丰富、遗忘因子太小、模型阶次给错、初始协方差矩阵设置不合理。
排查顺序建议这样来。先换成程序默认的PRBS激励，排除信号问题；再把遗忘因子改成1，排除遗忘因子造成的漂移；再检查模型阶次，如果程序允许你配置ARX模型的阶次，确保na、nb设置和真实系统一致；最后看初始协方差矩阵，P矩阵初始值决定了算法对初始参数估计的信任程度，一般取1000乘单位阵量级，如果初始值太小，算法会过度信任初始参数，收敛速度变得非常慢。
5.2 数值稳定性的坑
MATLAB仿真里有个很容易被忽视的问题：矩阵求逆或除法运算在条件数很大时会产生数值不稳定。递推最小二乘里，协方差矩阵P在迭代过程中可能因为遗忘因子的作用变得病态，导致计算结果失真。
遇到这种情况，你可以考虑改进算法，比如使用带遗忘因子的UD分解或平方根滤波，数值稳定性会好很多。如果你不想修改算法结构，至少可以做一件事：在协方差矩阵更新时，加入一个非常小的正定矩阵保护项，防止P矩阵奇异。这个方法简单但有效，我在实际调试中多次靠它解决了发散问题。
5.3 MATLAB版本兼容与运行环境
这套程序是老课程资料，编写时使用的MATLAB版本可能是早期版本，直接用新版MATLAB打开运行时，可能会遇到一些兼容问题。最常见的包括绘图命令的语法变化、某些统计工具箱函数被移除或改名、以及Simulink模块库路径变化。
我建议遇到报错时先看错误信息里的函数名，去MATLAB官方文档里查一下有没有替代函数。比如老程序里用star(t)这种工具命令，新版本放在系统辨识工具箱里。如果只是绘图相关的问题，直接把绘图部分替换成新语法就行。另外，确保你已经安装了System Identification Toolbox和Control System Toolbox，这套程序的很多功能依赖这两个工具箱。
还有一个小技巧，如果你装的MATLAB版本太新，某些老脚本可能因为图窗对象访问方式不同而报警告。这些警告通常不影响程序结果，但会在命令行刷屏。如果嫌烦，可以在脚本开头加上warning off，屏蔽掉非关键警告，让输出界面整洁一些。
6. 环境配置与程序组织建议
6.1 运行前的目录准备
拿到程序包后，第一件事不是急着双击运行，而是先把目录结构梳理一遍。我习惯把所有脚本放在一个专门的工程目录下，并清空MATLAB的当前路径干扰。顺序是：新建一个文件夹，比如sys_id_adap_ctrl_demo，把程序所有m文件和模型文件放进去，右键文件夹添加到路径。
然后按依赖关系整理一下程序清单，弄清楚哪个是主程序、哪个是函数脚本、哪个是数据生成脚本。大多数情况下，程序包里会有几个明显的入口文件，文件名可能包含main或demo字样，其余是函数文件。如果目录组织比较乱，你可以在MATLAB里用依赖分析工具，找出每个主文件依赖哪些子函数，把依赖关系理清再运行。
6.2 怎么把程序改成自己的项目需求
这套程序虽然是课程配套，但把它改成自己项目用的代码也并不难。核心思路是替换对象模型和参数配置。
如果你要做自己系统的辨识，需要修改对象仿真部分，把默认的差分方程换成你的系统模型。如果你只有实际采样的输入输出数据，那就不需要对象仿真部分，直接把数据读入，跳过信号生成环节，进入辨识算法。自适应控制部分，你需要根据自己的控制目标修改参考模型和控制器参数计算逻辑。
我见过不少人成功把这套代码改造成工业现场模型在线校正工具的原型。它当然不适合直接用于嵌入式系统，但作为算法验证和离线分析工具，这套代码足够你跑通整个技术路线。
归根结底，这套程序的真正价值不在于代码本身，而在于它把两条完整的技术链路演示得清清楚楚：一条是从数据到模型的辨识之路，一条是从模型到控制的自适应之路。把这两条链路的每一环吃透，比单纯记代码有意义得多。
本文还有配套的精品资源，点击获取
