| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-15页 |
| ·课题的研究意义 | 第7-8页 |
| ·船舶航向自动舵设计历史和发展方向 | 第8-12页 |
| ·机械式自动舵 | 第8页 |
| ·PID 自动舵 | 第8-9页 |
| ·自适应自动舵 | 第9-11页 |
| ·人工智能自动舵 | 第11-12页 |
| ·预测控制的发展现状 | 第12-13页 |
| ·本文主要工作 | 第13-15页 |
| 第二章 船舶运动的数学模型 | 第15-24页 |
| ·船舶运动坐标系 | 第15-16页 |
| ·船舶运动的一般方程 | 第16页 |
| ·船舶运动线性与非线性模型 | 第16-21页 |
| ·Davidson-Schiff 船舶操纵运动线性模型 | 第16-17页 |
| ·野本船舶操纵运动线性模型 | 第17-19页 |
| ·船舶操纵运动非线性模型 | 第19-21页 |
| ·船舶运动的干扰力数学模型 | 第21-24页 |
| ·风、流的干扰 | 第21-23页 |
| ·海浪的干扰 | 第23-24页 |
| 第三章 广义预测控制的基本原理 | 第24-37页 |
| ·广义预测控制的基本算法 | 第24-31页 |
| ·预测模型 | 第24-27页 |
| ·滚动优化 | 第27-30页 |
| ·在线辨识与反馈校正 | 第30-31页 |
| ·算法小结 | 第31页 |
| ·控制参数对系统性能的影响 | 第31-33页 |
| ·预测时域长度 | 第32页 |
| ·控制时域长度 | 第32-33页 |
| ·控制加权矩阵 | 第33页 |
| ·广义预测算法的系统分析 | 第33-35页 |
| ·稳定性分析 | 第34-35页 |
| ·鲁棒性分析 | 第35页 |
| ·非线性系统的广义预测控制 | 第35-36页 |
| ·广义预测控制的应用 | 第36-37页 |
| 第四章 支持向量机模型辨识 | 第37-53页 |
| ·神经网络辨识 | 第37-38页 |
| ·神经网络辨识的特点 | 第37-38页 |
| ·模型辨识方式 | 第38页 |
| ·支持向量机 | 第38-40页 |
| ·支持向量机简介 | 第38-39页 |
| ·核函数 | 第39-40页 |
| ·支持向量机模型辨识的基本原理 | 第40-43页 |
| ·支持向量机的非线性系统模型辨识 | 第43-45页 |
| ·支持向量机模型辩识方法的说明 | 第45页 |
| ·改进的支持向量机 | 第45-48页 |
| ·v-支持向量机（v-SVM） | 第45-47页 |
| ·模糊支持向量机（FSVM） | 第47-48页 |
| ·支持向量机对船舶模型辨识及仿真 | 第48-53页 |
| ·支持向量机对船舶模型辨识 | 第48页 |
| ·仿真试验 | 第48-52页 |
| ·结论 | 第52-53页 |
| 第五章 船舶航向SVM 广义预测控制 | 第53-67页 |
| ·基于SVM 的广义预测控制的实现 | 第53-58页 |
| ·递推多步预测模型 | 第53-54页 |
| ·非递推多步预测模型 | 第54页 |
| ·两种多步预测的支持向量机实现 | 第54-57页 |
| ·基于支持向量机的广义预测控制算法 | 第57-58页 |
| ·仿真试验及比较分析 | 第58-66页 |
| ·基于BP 神经网络的航向控制仿真 | 第58-62页 |
| ·基于SVM 的航向广义预测控制仿真 | 第62-66页 |
| ·结论 | 第66-67页 |
| 第六章 总结与展望 | 第67-69页 |
| ·论文主要工作总结 | 第67-68页 |
| ·今后工作及进一步设想 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 攻读硕士学位期间发表的论文 | 第73-74页 |
| 致谢 | 第74-75页 |
| 详细摘要 | 第75-77页 |