| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 选题背景及意义 | 第10-12页 |
| 1.2 课题国内外研究现状 | 第12-14页 |
| 1.3 论文研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 第2章 人工神经网络 | 第16-28页 |
| 2.1 人工神经网络的发展 | 第16-17页 |
| 2.2 神经网络基本原理 | 第17-19页 |
| 2.3 神经网络的基本特点 | 第19-20页 |
| 2.4 神经网络结构及工作原理 | 第20-24页 |
| 2.5 神经网络预测 | 第24-28页 |
| 2.5.1 样本数据集的选取 | 第24-25页 |
| 2.5.2 神经网络的训练 | 第25页 |
| 2.5.3 神经网络预测模型的优化方向 | 第25-28页 |
| 第3章 FAST节点控制原理分析 | 第28-38页 |
| 3.1 FAST系统整体结构 | 第28-32页 |
| 3.1.1 FAST主动反射面系统 | 第29-31页 |
| 3.1.2 主动反射面节点测量 | 第31-32页 |
| 3.1.3 主动反射面控制系统 | 第32页 |
| 3.2 FAST主动反射面变形及控制策略 | 第32-34页 |
| 3.2.1 抛物面变形策略 | 第33-34页 |
| 3.2.2 换源方式 | 第34页 |
| 3.2.3 天文轨迹规划与观测模式 | 第34页 |
| 3.3 FAST节点控制流程 | 第34-38页 |
| 3.3.1 控制流程 | 第34-36页 |
| 3.3.2 理论调整量算法 | 第36-38页 |
| 第4章 基于RBF神经网络的FAST节点位移预测建模及仿真 | 第38-56页 |
| 4.1 FAST节点位移的影响因素分析 | 第38-44页 |
| 4.1.1 FAST节点控制精度要求及误差分配 | 第38页 |
| 4.1.2 索网节点侧偏及补偿计算 | 第38-41页 |
| 4.1.3 下拉索索力计算和索长变形计算 | 第41-42页 |
| 4.1.4 温度对反射面的影响及修正 | 第42-43页 |
| 4.1.5 悬链线影响 | 第43-44页 |
| 4.2 RBF神经网络算法概述 | 第44-50页 |
| 4.2.1 RBF神经网络的数学基础 | 第45-47页 |
| 4.2.2 RBF神经网络结构和基本原理 | 第47-49页 |
| 4.2.3 RBF神经网络的学习规则及训练过程 | 第49-50页 |
| 4.3 基于RBF神经网络的FAST节点位移预测模型的建立 | 第50-56页 |
| 4.3.1 网络参数的确定 | 第51页 |
| 4.3.2 样本数据的归一化处理 | 第51-52页 |
| 4.3.3 基于RBF神经网络预测模型的仿真实验结果及分析 | 第52-56页 |
| 第5章 基于ELM神经网络的FAST节点位移预测建模及仿真 | 第56-68页 |
| 5.1 极限学习机(ELM)建模方法 | 第56-59页 |
| 5.1.1 随机节点的SLFNS | 第56-58页 |
| 5.1.2 SLFNs的最小范数最小均方解 | 第58-59页 |
| 5.2 基于ELM神经网络的FAST节点位移预测模型的仿真实验结果分析与对比 | 第59-63页 |
| 5.2.1 ELM神经网络的预测性能分析 | 第59-62页 |
| 5.2.2 ELM神经网络与RBF神经网络的预测性能对比 | 第62页 |
| 5.2.3 ELM算法的优缺点分析 | 第62-63页 |
| 5.3 ELM的改进算法及其在FAST节点位移预测中的性能分析 | 第63-68页 |
| 5.3.1 基于误差最小化的ELM神经网络 | 第63页 |
| 5.3.2 EM ELM算法流程 | 第63-65页 |
| 5.3.3 基于EM_ELM神经网络预测模型的仿真实验结果及分析 | 第65-68页 |
| 第6章 结束语 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74页 |
