| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第15-25页 |
| 1.1 课题背景及意义 | 第15-16页 |
| 1.2 pH中和过程研究现状 | 第16-19页 |
| 1.2.1 pH中和过程建模研究现状 | 第16-17页 |
| 1.2.2 pH中和过程控制研究现状 | 第17-19页 |
| 1.3 LTR控制方法概述 | 第19-21页 |
| 1.4 待解决的问题 | 第21-22页 |
| 1.5 本文的研究内容和创新点 | 第22-25页 |
| 第二章 控制方法理论基础 | 第25-37页 |
| 2.1 引言 | 第25页 |
| 2.2 最优控制理论及Riccati方程的解 | 第25-28页 |
| 2.3 系统频域分析及性能评价指标 | 第28-31页 |
| 2.3.1 灵敏度函数 | 第28-30页 |
| 2.3.2 奇异值曲线 | 第30-31页 |
| 2.4 LTR控制的基本原理 | 第31-35页 |
| 2.4.1 LTR方法实现过程 | 第31-34页 |
| 2.4.2 传递函数恢复原理 | 第34-35页 |
| 2.5 小结 | 第35-37页 |
| 第三章 基于反S变换的LTR控制在pH中和过程强酸当量模型的研究 | 第37-57页 |
| 3.1 引言 | 第37页 |
| 3.2 pH中和过程模型 | 第37-45页 |
| 3.2.1 pH中和反应机理特点 | 第37-40页 |
| 3.2.2 静态建模和动态建模 | 第40-43页 |
| 3.2.3 pH中和过程强酸当量模型 | 第43-45页 |
| 3.3 基于反S变换的两自由度LTR控制器设计 | 第45-51页 |
| 3.3.1 基于反S变换的pH中和过程模型 | 第45-48页 |
| 3.3.2 两自由度LTR控制器设计 | 第48-51页 |
| 3.4 仿真研究 | 第51-56页 |
| 3.5 小结 | 第56-57页 |
| 第四章 基于GA-BP神经网络的LTR控制在pH中和过程Hammerstein模型的研究 | 第57-77页 |
| 4.1 引言 | 第57页 |
| 4.2 pH中和过程Hammerstein模型 | 第57-62页 |
| 4.2.1 Hammerstein模型介绍 | 第57-60页 |
| 4.2.2 pH中和过程Hammerstein模型 | 第60-62页 |
| 4.3 基于GA-BP神经网络的LTR控制器设计 | 第62-68页 |
| 4.3.1 Hammerstein模型的LTR控制器设计 | 第62-65页 |
| 4.3.2 GA-BP神经网络建立逆模型 | 第65-68页 |
| 4.4 仿真研究 | 第68-75页 |
| 4.4.1 非线性部分逆模型建立 | 第69-70页 |
| 4.4.2 控制器性能验证 | 第70-75页 |
| 4.5 小结 | 第75-77页 |
| 第五章 参数自适应LTR控制方法研究 | 第77-93页 |
| 5.1 引言 | 第77页 |
| 5.2 基于误差反馈调节的参数自适应LTR控制方法 | 第77-83页 |
| 5.2.1 LTR控制器性能加权矩阵特性分析 | 第77-80页 |
| 5.2.2 基于误差反馈调节的参数自适应方法设计 | 第80-83页 |
| 5.3 基于模糊规则的参数自适应LTR控制方法 | 第83-86页 |
| 5.3.1 基于模糊规则的参数自适应LTR控制器结构 | 第83-84页 |
| 5.3.2 模糊规则和模糊论域设计 | 第84-86页 |
| 5.4 仿真研究 | 第86-91页 |
| 5.4.1 误差反馈调节方法 | 第86-90页 |
| 5.4.2 模糊规则的参数自适应调节方法 | 第90-91页 |
| 5.5 小结 | 第91-93页 |
| 第六章 结论与展望 | 第93-95页 |
| 6.1 结论 | 第93页 |
| 6.2 展望 | 第93-95页 |
| 参考文献 | 第95-99页 |
| 致谢 | 第99-101页 |
| 研究成果及发表的学术论文 | 第101-103页 |
| 作者及导师简介 | 第103-105页 |
| 附件 | 第105-106页 |
