| 摘要 | 第1-6页 |
| Abstract | 第6-12页 |
| 第一章 绪论 | 第12-18页 |
| ·引言 | 第12页 |
| ·课题背景及相关技术简介 | 第12-16页 |
| ·过热汽温控制对象的相关过程及其特性 | 第12-13页 |
| ·常规的过热汽温控制方案算法 | 第13页 |
| ·神经网络与预测控制 | 第13-15页 |
| ·改进的粒子群算法 | 第15-16页 |
| ·本课题的目的和意义 | 第16-17页 |
| ·研究内容简介 | 第17-18页 |
| 第二章 改进的粒子群优化算法 | 第18-30页 |
| ·进化算法技术及常用算法介绍 | 第18-20页 |
| ·进化算法的历史与一般框架 | 第18-19页 |
| ·遗传算法(Genetic Algorithms，GA)简介 | 第19-20页 |
| ·粒子群优化算法(Padicle Swarm Optimization，PSO) | 第20-26页 |
| ·粒子群算法的生物模型 | 第21页 |
| ·粒子群算法基本原理 | 第21-22页 |
| ·粒子群算法的设计流程 | 第22-25页 |
| ·PSO与其他进化算法的比较 | 第25-26页 |
| ·粒子群算法分析与改进 | 第26-30页 |
| ·PSO算法参数性能分析 | 第26-28页 |
| ·改进的粒子群算法(Medified PSO，MPSO) | 第28-30页 |
| 第三章 神经网络与MPSO-RBF混合优化策略 | 第30-47页 |
| ·神经网络简介 | 第30-37页 |
| ·神经网络发展概况 | 第30-31页 |
| ·人工神经元模型 | 第31-34页 |
| ·神经网络结构及工作方式 | 第34-35页 |
| ·神经网络的学习方法 | 第35-37页 |
| ·径向基函数(Radial Basis Function，RBF)神经网络 | 第37-39页 |
| ·RBF神经网络模型 | 第37-38页 |
| ·RBF神经网络训练算法 | 第38-39页 |
| ·基于MPSO算法的RBF神经网络混合优化(MPSO-RBF)策略 | 第39-41页 |
| ·MPSO-RBF策略基本思想 | 第39页 |
| ·MPSO-RBF策略操作设计与算法流程 | 第39-41页 |
| ·基于MPSO-RBF的神经网络辨识预测器与仿真试验 | 第41-47页 |
| ·基于MPSO-RBF的神经网络辨识器(NNI) | 第41-42页 |
| ·仿真试验与比较 | 第42-44页 |
| ·辨识实例 | 第44-47页 |
| 第四章 预测控制与神经网络预测控制 | 第47-64页 |
| ·预测控制简介 | 第47-53页 |
| ·预测控制的发展历史 | 第47-48页 |
| ·预测控制的基本原理 | 第48-50页 |
| ·常用的预测控制算法及其特点 | 第50-51页 |
| ·预测控制应用中需注意的问题 | 第51-53页 |
| ·神经网络预测控制 | 第53-58页 |
| ·神经网络模型预测控制基本框架 | 第53-54页 |
| ·神经网络预测控制算法分析 | 第54-58页 |
| ·基于径向基函数神经网络(RBF)的预测控制 | 第58-61页 |
| ·RBF神经网络预测模型的建立 | 第58-60页 |
| ·RBF神经网络预测控制的优化计算 | 第60-61页 |
| ·基于MPSO算法的RBF神经网络预测控制结构与算法 | 第61-64页 |
| ·预测模型的建立与算法设计 | 第61-62页 |
| ·MPSO算法在滚动优化中的应用与仿真比较 | 第62-64页 |
| 第五章 过热汽温系统建模与控制 | 第64-74页 |
| ·过热汽温控制的任务及要求 | 第64页 |
| ·过热汽温控制对象的建模 | 第64-68页 |
| ·过热汽温控制对象相关过程的组成及机理 | 第65页 |
| ·过热汽温控制对象的静态和动态特性 | 第65-67页 |
| ·过热汽温控制对象的模型 | 第67-68页 |
| ·常规过热汽温控制系统 | 第68-70页 |
| ·基于MPSO算法的过热汽温神经网络预测控制设计与仿真 | 第70-74页 |
| ·控制系统设计 | 第70-71页 |
| ·仿真设置与结果比较 | 第71-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 硕士期间发表论文 | 第80页 |
