下载文档原格式
系统辨识算法一、引言系统辨识是指通过对系统输入输出数据进行观测和分析，从而建立数学模型以描述和预测系统行为的过程。
系统辨识算法是在给定输入输出数据的基础上，利用数学方法和计算机模拟技术，对系统的结构和参数进行估计和辨识的算法。
系统辨识算法在控制工程、信号处理、机器学习等领域具有广泛的应用。
二、系统辨识方法系统辨识方法可以分为参数辨识和非参数辨识两类。
1. 参数辨识参数辨识是指通过对系统模型中的参数进行估计，来描述和预测系统的行为。
常用的参数辨识方法有最小二乘法、最大似然估计法、递推最小二乘法等。
最小二乘法是一种基于最小化误差平方和的优化方法，通过优化目标函数来估计参数值。
最大似然估计法是一种基于概率统计理论的方法，通过似然函数最大化来估计参数值。
递推最小二乘法是一种基于递推迭代的方法，通过更新参数估计值来逼近真实参数值。
2. 非参数辨识非参数辨识是指通过对系统的输入输出数据进行分析，来估计系统的结构和参数。
常用的非参数辨识方法有频域分析法、时域分析法、小波分析法等。
频域分析法是一种基于信号频谱特性的方法，通过对输入输出信号的频谱进行分析，来估计系统的频率响应。
时域分析法是一种基于信号时域特性的方法，通过对输入输出信号的时序关系进行分析，来估计系统的时域特性。
小波分析法是一种基于小波变换的方法，通过对输入输出信号的小波变换系数进行分析，来估计系统的时频特性。
三、系统辨识应用系统辨识算法在实际工程中有着广泛的应用。
1. 控制工程系统辨识算法在控制系统设计中起到关键作用。
通过对控制对象进行辨识，可以建立准确的数学模型，从而设计出性能优良的控制器。
例如，在自适应控制中，可以利用系统辨识算法来实时辨识系统模型，从而根据实际系统特性调整控制器参数。
2. 信号处理系统辨识算法在信号处理领域有重要应用。
通过对信号进行辨识，可以提取信号的特征和结构，从而实现信号去噪、信号分析、信号识别等目标。
例如，在语音信号处理中，可以利用系统辨识算法来建立语音模型，进而实现语音识别和语音合成。
机械系统的系统辨识与参数辨识在机械工程领域，系统辨识和参数辨识是非常重要的研究方向。
系统辨识主要是指从输入和输出的测量数据中，通过建立数学模型来揭示系统的特性和行为规律。
而参数辨识则是指利用已知的数学模型，从实测数据中确定模型的参数值。
这两个方法的应用可以帮助工程师深入理解和优化机械系统的性能。
系统辨识方法的应用非常广泛，可以用于各种不同的机械系统，包括机器人、汽车、航空航天设备等。
通过系统辨识，工程师可以了解系统的内部结构和动力学特性，从而优化系统设计和控制策略。
例如，在机器人领域，系统辨识可以帮助研究人员确定机器人的动力学参数，从而实现更加精确的轨迹跟踪和运动控制。
在汽车行业，系统辨识可以用于优化发动机燃油效率和悬挂系统的动力学性能。
系统辨识的方法包括基于物理模型和基于数据的方法。
基于物理模型的方法主要是通过建立数学模型来描述系统的动力学特性。
这种方法需要事先了解系统的机械结构和物理参数，然后使用数学工具，如微分方程和线性代数等，来推导系统的动力学模型。
基于数据的方法则是基于实测数据来推断系统的动力学特性。
这种方法不需要事先了解系统的物理参数，而是通过对输入和输出数据进行统计分析和数学建模，来揭示系统的动力学行为。
参数辨识是系统辨识的一个重要组成部分。
在实际应用中，通常需要确定系统模型中的参数值。
参数辨识的方法可以分为线性和非线性方法。
线性参数辨识方法通常是通过最小二乘法或极大似然法来确定参数值。
而非线性参数辨识方法则需要使用更加复杂的数学工具，如优化算法或贝叶斯推断方法等。
参数辨识的目标是使得建立的数学模型和实测数据之间的误差最小化。
机械系统的系统辨识和参数辨识在实际应用中存在一定的挑战和困难。
首先，机械系统往往具有复杂的非线性特性，这使得建立准确的数学模型非常困难。
其次，实际采集到的输入和输出数据可能受到噪声和干扰的影响，这会导致辨识结果的误差。
另外，系统辨识和参数辨识需要大量的计算和数据处理，对计算资源和存储空间有一定的要求。
系统辨识系统辨识是指对于一个系统的理解和认识，包括对该系统的组成部分、功能特点、作用范围、运行规律等方面的全面把握和分析。
系统辨识是一项专业性很强的技能，需要掌握相关的知识和方法，才能够准确地识别和理解一个系统，为下一步的研究和分析提供基础。
下面将结合案例，详细介绍系统辨识的实施过程、方法和重要性。
一、系统辨识的实施过程1、确定研究对象系统辨识的第一步是确定研究的对象。
这要求我们明确需要研究的系统是什么，它所包括的组成部分、作用范围和影响因素是什么。
例如，如果我们要研究一个电子商务平台的运营情况，就需要明确该平台的组成部分（如前端界面、后端数据处理、用户管理等）、作用范围（如哪些地区、哪些用户群体）、影响因素（如网络带宽、访问量、用户体验等）。
2、了解基本信息了解基本信息是进行系统辨识的重要步骤。
这一步要求对研究对象的整体概貌有一定的了解，了解它的背景、发展历程、目标定位等基本信息。
比如，如果要研究一个企业的运营情况，就需要了解该企业的业务范围、组织架构、发展历程等基本信息，从而对该企业的整体方针、战略、目标等有所了解。
3、分析组成部分组成部分是实施系统辨识的重要内容，它要求我们对研究对象的每个组成部分进行详细分析，进而深入理解整个系统的运行机理。
分析组成部分时，需要考虑以下几点：（1）确定组成部分组成部分包括哪些子系统、模块、模型等。
例如，对于一个银行的信用卡系统，可能包括信用卡开户、交易查询、账单查询、信用额度管理、还款管理等多个子系统。
（2）了解功能特点了解每个组成部分的功能特点是进行系统辨识的核心内容。
这需要我们理解每个组成部分的作用、目标、功能、定位等，并对其运行机理进行深入分析。
例如，信用卡开户系统的功能可能包括用户信息采集、信用评估、授权审核等，每个功能都需要进行详细的分析和研究。
（3）掌握关键指标对于每个组成部分，需要掌握一些关键的指标，如响应时间、系统稳定性、正确率等。
这些指标可以帮助我们评估一个组成部分的表现，并判断其在系统中的重要性和优先级。
系统辨识方学习总结一．系统辨识的定义关于系统辨识的定义，Zadeh是这样提出的：“系统辨识就是在输入和输出数据观测的基础上，在指定的一组模型类中确定一个与所测系统等价的模型”。
L.Ljung也给“辨识即是按规定准则在一类模型中选择一个与数据拟合得最好的模型。
出了一个定义：二．系统描述的数学模型按照系统分析的定义，数学模型可以分为时间域和频率域两种。
经典控制理论中微分方程和现代控制方法中的状态空间方程都是属于时域的范畴，离散模型中的差分方程和离散状态空间方程也如此。
一般在经典控制论中采用频域传递函数建模，而在现代控制论中则采用时域状态空间方程建模。
三．系统辨识的步骤与内容(1)先验知识与明确辨识目的这一步为执行辨识任务提供尽可能多的信息。
首先从各个方面尽量的了解待辨识的系统，例如系统飞工作过程，运行条件，噪声的强弱及其性质，支配系统行为的机理等。
对辨识目的的了解，常能提供模型类型、模型精度和辨识方法的约束。
(2)试验设计试验设计包括扰动信号的选择，采样方法和间隔的决定，采样区段（采样数据长度的设计）以及辨识方式（离线、在线及开环、闭环等的考虑）等。
主要涉及以下两个问题，扰动信号的选择和采样方法和采样间隔(3)模型结构的确定模型类型和结构的选定是决定建立数学模型质量的关键性的一步，与建模的目的，对所辨识系统的眼前知识的掌握程度密切相关。
为了讨论模型和类型和结构的选择，引入模型集合的概念，利用它来代替被识系统的所有可能的模型称为模型群。
所谓模型结构的选定，就是在指定的一类模型中，选择出具有一定结构参数的模型M。
在单输入单输出系统的情况下，系统模型结构就只是模型的阶次。
当具有一定阶次的模型的所有参数都确定时，就得到特定的系统模型M，这就是所需要的数学模型。
(4)模型参数的估计参数模型的类型和结构选定以后，下一步是对模型中的未知参数进行估计，这个阶段就称为模型参数估计。
(5)模型的验证一个系统的模型被识别出来以后，是否可以接受和利用，它在多大程度上反映出被识别系统的特性，这是必须经过验证的。
第02讲系统辨识三要素系统辨识是指通过对系统输入和输出数据的观测和分析，求解出系统的数学模型的过程。
系统辨识主要有两种方法：非参数辨识和参数辨识。
在进行参数辨识时，需要确定三个基本要素，分别是模型结构、参数估计方法和误差分析方法。
本文将详细介绍这三个要素。
首先，模型结构是系统辨识的核心要素之一、模型结构决定了辨识出的数学模型与实际系统之间的对应关系。
模型结构的选择需要根据实际问题和已有的知识和经验来确定。
常用的模型结构包括线性模型、非线性模型、时变模型等。
例如，对于一个物理系统来说，可以尝试使用一阶惯性环节、二阶惯性环节等常见的线性模型结构进行辨识；对于一个生物系统来说，可以采用Lotka-Volterra模型等非线性模型结构进行辨识。
选择合适的模型结构可以提高系统辨识的精度和可靠性。
其次，参数估计方法是指在给定模型结构的情况下，通过对系统输入和输出数据进行处理和分析，求解出模型参数的过程。
参数估计方法分为两类：最小二乘法和最大似然法。
最小二乘法通过最小化观测数据与模型预测数据之间的残差平方和来估计模型参数；最大似然法通过最大化观测数据的似然函数来估计模型参数。
当观测数据服从高斯分布时，最小二乘法和最大似然法等效。
参数估计方法的选择需要根据数据性质和实际问题来确定。
对于小样本数据，最大似然法常常具有更好的效果；对于大样本数据，最小二乘法通常是更好的选择。
最后，误差分析方法是指用来评估辨识结果的准确性和可信度的方法。
误差分析方法主要包括残差分析、模型检验和辨识结果评价等。
残差分析是通过分析辨识结果与观测数据之间的差异来评估模型拟合程度的方法。
模型检验是通过将辨识结果应用到实际应用中，观察其预测能力和鲁棒性来评价模型的有效性。
辨识结果评价是通过计算模型的性能指标，如均方误差、决定系数等来评估辨识结果的准确性和可靠性。
误差分析方法的选择需要根据实际问题和辨识结果的要求来确定。
对于较为简单的问题，可以选择较为简单的误差分析方法；对于复杂的问题，需要选择更为精确和全面的误差分析方法。
系统辨识与模型预测控制系统辨识与模型预测控制是现代控制理论中的关键概念，它们在工程领域中被广泛应用于系统建模及控制设计中。
本文将详细介绍系统辨识与模型预测控制的基本概念、原理、方法和应用。
一、系统辨识系统辨识是指通过实验数据对系统的动态行为进行建模和估计的过程。
它可以帮助我们了解系统的性质和结构，并在控制系统设计中提供准确的数学模型。
系统辨识的主要任务是确定系统的参数和结构，并评估模型的质量。
1.1 参数辨识参数辨识是系统辨识的主要内容之一，它通过收集系统的输入和输出数据，并根据建模方法对参数进行估计。
常用的参数辨识方法包括最小二乘法、极大似然法、频域法等。
参数辨识的结果对建模和控制设计具有重要的指导意义。
1.2 结构辨识结构辨识是指确定系统的数学结构，即选择合适的模型形式和结构。
常用的结构辨识方法有ARX模型、ARMA模型、ARMAX模型等。
结构辨识的关键是根据系统的性质和实际需求选择适当的模型结构，以保证模型的准确性和有效性。
二、模型预测控制模型预测控制是一种基于系统动态模型的控制方法，它通过在线求解最优控制问题实现对系统的控制。
模型预测控制通过对系统未来动态行为的预测，结合控制目标和约束条件，求解优化问题得到最优控制输入。
它具有优良的鲁棒性和适应性，并且能够处理多变量、非线性以及时变系统的控制问题。
2.1 模型建立模型预测控制的第一步是建立系统的数学模型，通常采用系统辨识的方法得到。
模型可以是线性的或非线性的，根据实际需求选择适当的模型结构和参数。
2.2 控制器设计模型预测控制的核心是设计控制器，控制器的目标是使系统输出跟踪参考轨迹，并满足约束条件。
控制器设计通常通过求解一个离散时间最优控制问题来实现，常用的方法有二次规划、线性规划、动态规划等。
2.3 优化求解模型预测控制的关键是求解最优控制问题，将系统的模型和控制目标转化为一个优化问题，并通过数值优化方法求解得到最优解。
常用的优化算法包括线性规划、非线性规划、遗传算法等。
系统辨识理论及应用引言系统辨识是通过对已知输入和输出进行处理，从而识别出系统的数学模型并进行建模的过程。
在现代科学和工程应用中，系统辨识技术被广泛应用于控制系统设计、信号处理、预测和模型识别等领域中。
本文将介绍系统辨识的理论基础、常用方法以及在实际应用中的案例分析，以便读者能够更好地了解系统辨识技术的原理和应用。
系统辨识的理论基础系统辨识的定义系统辨识是一种通过对系统的输入和输出数据进行处理，来推导出系统的数学模型的方法。
系统辨识可以用来描述和预测系统的行为，从而实现对系统的控制和优化。
系统辨识的基本原理系统辨识建模的基本思想是将输入和输出之间的关系表示为一个数学模型。
这个模型可以是线性模型、非线性模型、时变模型等。
在系统辨识中，常用的数学模型包括差分方程模型、状态空间模型、传递函数模型等。
系统辨识的基本原理是通过收集系统的输入和输出数据，然后利用数学方法来推导出系统的数学模型。
这个过程可以看作是一个参数优化的过程，通过不断调整模型参数，使得模型的输出与实际系统的输出尽可能接近。
系统辨识的常用方法系统辨识的常用方法包括参数估计方法、频域分析方法和结构辨识方法。
参数估计方法是最常用的系统辨识方法之一，它通过最小化模型的预测误差来估计模型参数。
常用的参数估计方法包括最小二乘法、最大似然估计法、最小二乘法等。
频域分析方法是基于系统的频率响应特性进行辨识的方法。
常用的频域分析方法包括递归最小二乘法、频域辨识方法等。
结构辨识方法是用来确定系统的结构的方法。
结构辨识方法可以分为模型选择方法和模型结构确定方法。
常用的结构辨识方法包括正则化算法、信息准则准则方法等。
系统辨识的应用控制系统设计系统辨识技术在控制系统设计中起着重要的作用。
通过对系统辨识建模，可以对系统进行建模和优化。
控制系统设计中的系统辨识可以用来预测系统的响应、设计合适的控制器以及优化控制算法。
信号处理系统辨识技术在信号处理中也有广泛的应用。
通过对信号进行系统辨识建模，可以分析信号的特性、提取信号中的有用信息以及去除信号中的干扰等。
系统辨识理论综述
郭金虎
【摘要】全面论述了系统辨识理论的提出背景以及理论成果，总结了系统辨识理论的基本原理、基本方法以及基本内容，并对其应用及发展做了全面的讨论。
【关键词】系统辨识；准则函数
1概述
系统辨识问题的提出是由于随着科学技术的发展，各门学科的研究方法进一步趋向定量化，人们在生产实践和科学实验中，对所研究的复杂对象通常要求通过观测和计算来定量的判明其内在规律，为此必须建立所研究对象的数学模型，从而进行分析、设计、预测、控制的决策。
例如，在化工过程中，要求确定其化学动力学和有关参数，已决定工程的反应速度；在热工过程中，要求确定如热交换器这样的分布参数的系统及动态参数；在生物系统方面，通常希望获得其较精确的数学模型，一般描述在生物群体系统的动态参数；为了控制环境污染，希望得到大气污染扩散模型和水质模型；为进行人口预报，做出相应的决策，要求建立人口增长的动态模型；对产品需求量、新型工业的增长规律这类经济系统，已经建立并继续要求建立其定量的描述模型。
其他如结构或机械的振动、地质分析、气象预报等等，都涉及系统辨识和系统参数估计，这类要求正在不断扩大。
2系统辨识的基本原理
2.1系统辨识的定义和基本要素
实验和观测是人类了解客观世界的最根本手段。
在科学研究和工程实践中，利用通过实验和观测所得到的信息，或掌握所研究对象的特性，这种方式的含义即为“辨识”。
关于系统辨识的定义，1962年，L.A.Zadeh 是这样提出的：“系统辨识就是在输入和输出数据观测的基础上，在指定的一组模型类中，确定一个与所测系统等价的模型”。
1978年，L.Ljung 也给出了一个定义：“辨识既是按规定准则在一类模型中选择一个与数据拟合得最好的模型”。
可用图2-1来说明辨识建模的思想。
0
G g G 等价准则系统原型
系统模型激励信号y g y e
J u
图2-1 系统辨识的原理
图中规定代价函数（或称等价准则）为(),g J y y ，它是误差e 的函数，系统原型0G 和系统模型g G 在同一激励信号u 的作用下，产生系统原型输出信号y 和系统模型输出信号g y ，二者误差为e 。
经等价准则计算后，去修正模型参数，然后再反复进行，知道误差满足代价函数最小为止，器数学表述为
()(),g J y y f e = （2-1）
其中()f e 为准则函数表达式。
诶辨识的目的为：找出一个模型g G φ∈，而φ为给定模型类。
使之
(),min g J y y → （2-2）
则有
0g G G = （2-3）
此时，即称为系统被辨识。
这个定义明确了系统辨识过程的3大要素：①输入输出数据（u,y,yg ）;②模型类（Gk ）;③等价准则（）。
而模型的精度由J()决定，也即由e 决定。
其中，数据是辨识的基础；准则是辨识的优化目标；模型类是寻找模型的范围。
从上述可知，辨识的实质就是从一组模型类中选择一个模型，按照某种准则，使之呢个最好的拟合所研究的实际过程的动态特性。
2.2系统辨识的等价准则
在系统辨识过程中，一个很重要的概念是，要检验在各种可能的相同输入下，要求它的输出近似相等，即系统的“等价”，它是用来衡量模型接近实际过程的标准。
而通常被识对象和模型的等价性是通过引入评价函数定义的，这个评价函数称为等价准则函数。
对某种相同的输入u ，若实际系统的输出为y ，模型g G 的输出为g y ，而被识对象和模型输出这两个输出量之间的偏差值（误差）g e y y =-是，通常采用的准则函数如下。
连续信号下，其准则函数为
()()()()22,t t
g g t T t T J y y y t y t dt e t dt --⎡⎤=-=⎣⎦⎰⎰ （2-4） 数据离散的情况下，其准则函数为
()2
2
,A g g k J y y y y e =-=∑ （2-5）
在给定的模型类中，当模型g G 使准则函数最小是，定义g G 与对象等价。
因此，辨识就是求使准则函数最小的模型g G 的最优化问题。
若模型类采用参数模型描述时，便是就归结为参数最优化问题。
3系统辨识的基本方法
根据对系统的组成、结构和支配系统运动的机理的了解程度，可以将建模方法分为如下3类：
（1）机理建模
利用各个专业学科领域提出来的物质和能量的守恒性和连续性原理、组成系统的结构形式，建立描述系统的数学关系，这样的建模方法也称为“白箱问题”。
如此建立的数学模型，称为机理模型。
（2）系统辨识（实验建模）
从理论上，这是一种在没有任何可利用的验前信息（即相关学科专业知识与相关数据）的情况下，应用所采集系统的输入和输出数据提取信息进行建模的方法。
这是一种实验建模的方法，这种建模方法也称为“黑箱问题”。
这样建立的数学模型称为辨识模型，也称为实验模型。
（3）机理分析和系统辨识相结合的建模方法
这种建模方法适用于系统的运动机理不是完全未知的情况。
这时，可以利用系统的运动机理和运动经验确定出模型的结构（如状态方程的维或差分方程的阶），也可能分析出部分参数的大小或可能的取值范围，再根据采集到的系统输入或输出的数据，有系统辨识方法来估计和修正模型中的参数，使其精确化。
这样的建模方法也称为“灰箱问题”。
实际中应用的辨识方法，严格的说，对“黑箱问题”一般是无法解决的，通常提到的系统辨识，往往是指的“灰箱问题”。
4系统辨识的基本内容及步骤
一般来说，若建立某一系统的数学模型的目的已经十分明确，同时对该系统已具备了一定的验前知识，就可以进行辨识该系统的数学模型及参数，其内容为包括实验设计、模型结构辨识、模型参数辨识以及模型验证四部分。
（1）实验设计
实验设计包括扰动信号的选择，采样方法和间隔的决定，采样区段（采样数据长度的设
计）以及辨识方式（离线、在线及开环、闭环的考虑）等。
（2）模型结构辨识
模型类型和结构的选定是决定建立数学模型质量的关键性一步，且模型类型和结构的选定，又是系统辨识过程中最复杂最困难的一项工作，它与建模的目的、对所辨识系统的验前知识的掌握程度等密切相关。
（3）模型参数辨识
参数模型的类型和结构选定以后，下一步是对模型中的未知参数进行估计。
在所有的现实情况中，当对被识系统进行观测时，所得到的数据就会手袋随机性干扰和噪声的影响。
因此，必须对所得到的观测数据采用统计的方法加以处理，设法滤去随机干扰的影响，从而得到参数值的好的估计结果。
（4）模型验证
一个系统的模型被识别出以后，它是否可以接受和利用，它在多大程度上反映出被识系统的特性（模型的有效性），这是必须经过验证的。
模型的验证工作必须与模型的选择联系起来，也需要与在建模过程中所做的各种假定联系起来。
5系统辨识的应用与发展
系统辨识获得如此蓬勃发展的来由，主要取决于20世纪60年代工程上广泛应用了各种自动控制系统，这些系统包括最简单的继电控制系统到利用辅助变量的复杂的回路控制系统。
在这一时期，自动控制理论的发展达到了一个较高水平，当时经典的控制概念受到新兴的现代控制理论的挑战。
随后，计算机技术的快速发展和成本的降低，使得无论是使用计算机作为离线科学计算工具还是作为在线监测控制装置，都开始得到了广泛的应用。
而且，值得注意的问题是，现代控制理论研究和应用是以被控对象的数学模型为前提的，有时他要对被控对象所受到的噪声的特性有所了解。
在现代控制理论的研究中，往往要求系统的数学模型具备特定的形式，以适合理论分析的需要。
然而，在获得这些模型的研究中，却出现了如何确定被控对象的数学模型的各种困难，理论和实际之间出现了相当大的距离。
因此在当时，这正是现代控制理论在许多领域中远没有得到充分应用的原因之一。
尽管“理论”能够以非常精巧的方法提出一个控制问题的最优解，但是要实现这个控制，西药对被控系统的动态特性给予一个合适的数学描述。
在这样的背景下，系统辨识问题便愈来愈受到人们的重视，它成为了发展系统应用理论，认识实际对象特性并研究和控制实际对象工作中不可缺少的一个重要手段。
当然，系统辨识理论和应用之所以得到发展的更主要原因还在于，在科学技术的发展进程中，各门学科的研究方法进一步趋向定量化发展，人们在生产实际和科学实验中，对所研究的较复杂的对象往往要求通过观测和计算来定量地判明其内在规律。
为此必须建立所研究对象的数学模型，从而进行分析、设计、预测、控制的决策。
因此，系统辨识对研究对象的定量化描述的特点，使得这门学科在它的起源的自动控制学科之外也得到迅速发展。
除前述的应用外，其范围现在已大大超出建立这门学科的科学家的想象。
如对产品需求量、新型工业的增长规律这类经济系统，已经建立并继续要求建立其定量的描述模型；其它如结构或机械的振动、地质分析、气象预报等等也都涉及系统辨识的理论和方法，而且这类需求还正在不断扩大。
当前，系统辨识理论一发展成为系统理论中的一个重要分支。
系统辨识理论中，对于单变量线性系统辨识的理论和方法，目前已做了大量的研究，也得到了许多理论和应用成果。
但是，对于多变量系统的辨识，尤其是它的结构辨识，则还处于不能令人满意的状态。
系统辨识理论的发展，一方面有赖于其他理论（如系统结构理论、稳定性理论、模式识别、学习理论等等）的发展，从而加深对系统没在性质的理解，并提供新的估算方法。
另一方面，又必须根据客观实际中提出的新问题（如实验设计、准则函数的选取、模型的验证等），在理论和实践的统一上加以解决，从而充实理论和推动学科的发展。
