1.一种基于结构自适应滤波的非线性系统辨识方法，其特征在于，其步骤如下：

步骤一：确定辨识对象，获得辨识对象的输入数据和相应的输出数据并作为数据集，将数据集分为训练集和测试集；

步骤二：构建自适应滤波模型：根据生成参数随机的选择一阶子系统和二阶子系统，各个一阶子系统或二阶子系统按照连接规则进行随机级联，构成完整的自适应滤波滤波模型；初始化演化算法，并利用演化算法评价初始的自适应滤波滤波模型，选出最优的自适应滤波滤波模型；

步骤三：演化算法进行循环迭代，在训练集上对自适应滤波模型训练，以找到步骤二最优的自适应滤波模型的最优的结构和参数；

步骤四：利用步骤三中训练好的结构和参数最优的自适应滤波模型在测试集上进行测试，得到辨识对象的实际输出。

2.根据权利要求1所述的基于结构自适应滤波的非线性系统辨识方法，其特征在于，所述步骤一中的辨识对象是液体饱和蒸汽换热器，液体饱和蒸汽换热器是一个的非线性基准系统且是单输入单输出模型；输入数据是液体流量、蒸汽温度和入口液体温度的数据，输出数据是出口液体温度的数据，数据集来自于DaISy数据库；所述步骤二和步骤三中的演化算法为基于自适应多精英引导的复合差分进化算法。

3.根据权利要求1或2所述的基于结构自适应滤波的非线性系统辨识方法，其特征在于，所述步骤二中自适应滤波模型由多个子系统组成，子系统包括一阶子系统和二阶子系统，一阶子系统由一个延迟器、两个乘法器、两个加法器和一个非线性静态函数组成，二阶子系统由两个延迟器、四个乘法器、三个加法器和一个非线性静态函数；所述一阶子系统和二阶子系统在自适应滤波模型中出现的概率相同。

4.根据权利要求3所述的基于结构自适应滤波的非线性系统辨识方法，其特征在于，所述一阶子系统包括第一加法器、第二加法器、第一单位延迟器和第一非线性静态函数，一阶子系统的输入端与第一加法器相连接，第一加法器的输出端分别与第二乘法器和第一单位延迟器相连接，第一单位延迟器通过第一乘法器与第一加法器相连接，第二乘法器通过第二加法器与第一非线性静态函数相连接；所述二阶子系统包括第三加法器、第四加法器、第五加法器、第二单位延迟器、第三单位延迟器和第二非线性静态函数，二阶子系统的输入端与第三加法器相连接，第三加法器的输出端分别与第四乘法器、第二单位延迟器相连接，第二单位延迟器的输出端分别与第五乘法器、第六乘法器和第三单位延迟器相连接，第三单位延迟器与第三乘法器相连接，第三乘法器与第五乘法器的输出端与第四加法器相连接，第四加法器的输出端与第三加法器相连接，第六乘法器和第四乘法器的输出端与第五加法器相连接，第五加法器与第二非线性静态函数相连接。

5.根据权利要求4所述的基于结构自适应滤波的非线性系统辨识方法，其特征在于，所述一阶子系统的线性部分的传递函数为： 其中，A1为第一乘法器的系数，B1为第二乘法器的系数，A1∈(-1,1)，A1,B1∈R，R为自然数集；二阶子系统的线性部分的传递函数为： 其中，|a1|<1,|a2|<1；A1、A2、B1、B2分别是第五乘法器、第三乘法器、第四乘法器和第六乘法器的系数且A1,A2,B1,B2∈R；下属a1，a2∈C，C表示复数域；所述第一非线性静态函数和第二非线性静态函数是sigmoid函数，且 x为自变量。

6.根据权利要求4或5所述的基于结构自适应滤波的非线性系统辨识方法，其特征在于，所述步骤二中子系统按照连接规则进行随机级联的方法为：演化算法的种群大小为NP即有NP个个体，初始种群的NP个个体按照约束条件随机生成，每个单独的个体为一条指令，包含子系统的具体信息按照每个指令存储的信息生成NP个自适应滤波模型；每个个体包括集合θ＝[θs1,θs2,…,θsi,…,θsm]，每个子系统θsi＝[I,O,T,C,P]，其中，i为1,2,…,m，m为子系统的个数；每个子系统包括输入节点I、输出节点O、子系统的类型T、连接方式C和参数P，每个子系统有四个参数，四个参数在一定值域内用随机数函数生成，四个参数保证子系统线性部分的系统模型是稳定的，即传递函数的极点在单位圆内；

把步骤一中数据集中的输入数据代入NP个初始的自适应滤波模型，计算每个自适应滤波模型的实际输出序列，对实际的输出进行评价，计算每个自适应滤波模型的适配度；选出NP个模型中适配度最优的一个，判断其是否满足全局最优，若是则结束；若不是，则算法进行循环的迭代演化。

7.根据权利要求6所述的基于结构自适应滤波的非线性系统辨识方法，其特征在于，所述连接方式C包括方式C1、方式C2和方式C3，三种连接方式C1、方式C2和方式C3出现的概率相同，方式C1指生成一个新的活动端口，即新添加的子系统的输入端口连接到当前的活动端口、输出端口连接到新生成的活动端口；方式C2是新增加的子系统的输出端口连接到当前活动端口、输入端口连接到之前的活动端口；方式C3是新增加的子系统的输出端口连接到当前活动端口、输入端口连接到整个自适应滤波模型的输入端口，且添加到现有自适应滤波模型的最后一个子系统的输出是整个自适应滤波模型的输出；若连接方式是方式C1，新活动端口的值是其上一个活动端口的值加上1。若连接方式是方式C2和方式C3，活动端口的值保持不变。

8.根据权利要求2或7所述的基于结构自适应滤波的非线性系统辨识方法，其特征在于，所述复合差分进化算法的实现步骤为：第一步，随机生成NP个个体产生初始种群P0，每个个体是一个命令序列称为目标向量XGi，每个命令序列指导生成一个完整的结构和参数随机的自适应滤波模型；

第二步，计算目标向量的适配度：计算初始种群P0所有个体的适配度，选出NP个个体中适配度最小的个体，判断其适配度是否为0，即目标向量 是否为全局最优，若是则输出最佳个体，结束计算；否则，执行第三步；

第三步，进行变异操作，两个试验向量 和 分别由突变算子M1和突变算子M2产

生，突变算子M1从逻辑局部最优解中学习，突变算子M2从随机选择的较优解中学习；试验向量 和 经过二项式交叉后生成新的试验向量 和第四步，进行选择，试验向量 和 中最好的一个被作为目标向量 的最终试验

向量 并存活且进入下一代；选择过程中丢弃的目标向量放入一个外部库A中，外部库A的大小超过NP，随机删除外部库A中多余的个体；

第五步，查看种群中NP个目标向量 各自参数取值是否在合理的范围内，若不在则用随机函数在约束范围内更新目标向量 的参数；

第六步，每一代结束时，启动转移机制，通过多样化策略或收敛策略进行转移；

第七步，返回步骤二进行比较。

9.根据权利要求8所述的基于结构自适应滤波的非线性系统辨识方法，其特征在于，所述步骤二中目标向量的适配度的计算方法为：自适应滤波模型t时刻的实际输出 和期望输出y(t)的预测误差为：实际输出 和期望输出y(t)的均方误差为目标向量的适配度：

其中，MSE为均方误差函数，N表示数据集中变量的个数；

所述多样化策略为：

收敛策略为：

其中，jset是被随机选择的移位变量的集合，j是{1，2，…,30}中的一个随机数； 是更新后的向量 的第j个变量，而 和 分别是向量 的第j个变量的上界和下界；

是向量 的第j个变量； 是突变算子M2选择出的最优的向量， 是向量 的

第j个变量， 和 是种群中随机选择出的两个向量， 和 分别为向量 和向量

的第j个变量。

10.根据权利要求1所述的基于结构自适应滤波的非线性系统辨识方法，其特征在于，所述步骤三中得到最优的自适应滤波模型包括子系统S1-S15，输入端口x(n)分别通过子系统S1、子系统S2、子系统S5、子系统S6、子系统S11、子系统S12和子系统S14与输出端口y(n)相连接，输入端口x(n)通过并联连接的子系统S3和子系统S4与子系统S5的输入端相连接，输入端口x(n)通过并联连接的子系统S7、子系统S8、子系统S9、和子系统S10与子系统S11的输入端相连接，输入端口x(n)通过子系统S13与子系统S14的输入端相连接，输入端口x(n)通过子系统S15与子系统S14的输出端相连接，即子系统S14的输出端与子系统S15的输出端经过加法器得到输出端口y(n)的输出信号；其中子系统S2、子系统S3、子系统S4、子系统S5、子系统S6、子系统S10、子系统S11、子系统S13和子系统S15是二阶子系统，子系统S1、子系统S7、子系统S8、子系统S9、子系统S12和子系统S14是一阶子系统。