本文在系统辨识经典的最小二乘法(RLS)的基础上，提出了自回归滑动平均(ARMA)模型参数估计的一些新的辨识算法，它包括递推最小二乘,增广最小二乘(RLS一RELS)算法这些新的算法与传统的递推增广最小二乘法相比，精度明显提高。

Matlab强大的科学计算和可视化功能使其在各个领域中得到了广泛的应用．采用Matlab进行时间序列分析可以极大地简化编程工作，并具有界面友好、操作方便的特点。介绍了使用Matlab进行时间序列分析的基本方法和步骤，并通过实例进行了说明。

由这一章的讨论，我们可以看出，正则最小二乘法的基本结果有两种形式：一种是经典的一次完成算法；另一种是现代的递推算法。最小二乘法一次完成算法比较适合理论研究，但编制程序时占用的存储空间较多，计算量较大，所以多用于离线辨识；最小二乘法递推算法的基本思路是新的估计值等于前一次的估计值加上修正项，这样不仅可以减少计算量和存储量，而且能实现系统的在线辨识。增广最小二乘法扩充了最小二乘法的参数向量和数据向量，把噪声模型的辨识同时考虑了进去。增广最小二乘法又是一种近似的极大似然法。广义最小二乘法的基本思路是基于对数据先进行一次滤波预处理，然后利用普通最小二乘法对滤波后的数据进行辨识。

由于在现实中，噪声不一定是白的，所以，个人认为在辨识中，应当采用增广或者是广义最小二乘法。 

在实际的工作中，常常要求判断一组实测数据的正确性，从而需要一种软件，可以利用它从工程历史数据中提取和抽象参数的数学特征或者数学规律，作为数据判别和比对的理论依据，由此可以判断实测数据的正确性。本文在查阅了大量资料的基础上，对于系统辨识和仿真，主要对系统辨识的几种方法做了讨论：

最小二乘法思想是使各次实际观测值和计算值之间差值的平方乘以度量其精确度的数值后的和为最小，由于最小二乘法原理简单，编程也不困难，所以颇受人们重视，应用相当广泛。