摘要：提出一种采用极小极大拟合准则的实用的在线参数估计方法。为此采取了两条有效措施。第一，将在线辨识中最常用的遗忘因子引入极小极大拟合准则；第二，通过研究有关的极小极大优化问题的对偶问题设计在线递推算法。前者使推广后的极小极大拟合准则具有追踪时变参数的能力，后者则为构造实用的在线递推算法提供了可行的途径。大量仿真研究表明，提出的在线参数估计方法具有较好的性能。

摘要：如同计算线性模型参数的ｌ∞中心估计量一样，可以通过求解一组具有相同可行域的线性规划问题确定这些参数的ｌ１中心估计量。据此设计了适用于这两种估计量的整体单纯形算法，可以避免在求解上述一组线性规划问题时重复搜索其可行域的任一顶点，达到节省计算量的目的。

摘要：讨论未知但有界误差假设下的ｌ１中心估计问题，提出了中心估计递推算法的理论基础，并据此设计了ｌ１中心估计的递推算法。理论分析和数据仿真表明，与原有算法相比，递推算法可以显著减少计算量，提高估计速度，因而可应用于实时在线辨识。所给算法和结果是面向鲁棒控制的。

摘要：本文讨论了ＵＢＢＥ条件下的ｌ１中心估计问题，提出了新的中心估计算法的理论基础，证明了线性估计问题可转化为求解多个线性优化问题，并针对其特点设计出了具有相同约束的多个线性规划的整体单纯形法，理论分析和数值仿真表明，与已有的算法相比，新的算法能够显著地减少计算量。