| 摘要 | 第1页 |
| ABSTRACT | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·研究背景 | 第7-8页 |
| ·智能控制 | 第8-11页 |
| ·本文选题的意义及研究的主要内容 | 第11-13页 |
| ·本文选题的意义 | 第11-12页 |
| ·本文研究的主要内容 | 第12-13页 |
| 第二章 非最小相位系统分析 | 第13-16页 |
| ·最小、非最小相位系统的定义 | 第13页 |
| ·非最小相位系统的分类 | 第13-14页 |
| ·非最小相位系统的研究 | 第14-15页 |
| ·本章小结 | 第15-16页 |
| 第三章 神经网络和遗传算法 | 第16-31页 |
| ·神经网络原理 | 第16-18页 |
| ·单神经元数学模型 | 第16-17页 |
| ·几种典型的学习规则 | 第17-18页 |
| ·典型的多层前向网络－BP 网络的结构和算法 | 第18-22页 |
| ·BP 神经网络的前向计算 | 第19页 |
| ·BP 神经网络的误差反向传播和加权系数的调整 | 第19-22页 |
| ·径向基函数神经网络 | 第22-25页 |
| ·网络输出计算 | 第23页 |
| ·网络的在线学习算法 | 第23-25页 |
| ·遗传算法基本原理 | 第25-30页 |
| ·遗传算法设计步骤 | 第26-29页 |
| ·性能指标函数 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第四章 非最小相位系统的神经网络控制 | 第31-49页 |
| ·引言 | 第31页 |
| ·遗传算法优化的BP 神经网络PID 控制器 | 第31-43页 |
| ·传统的PID 控制器 | 第32页 |
| ·BP 神经网络PID 控制器的设计 | 第32-34页 |
| ·遗传算法在BP 神经网络PID 控制算法中的应用 | 第34-35页 |
| ·基于GA 和NN 的PID 控制器结构形式及控制算法 | 第35-37页 |
| ·仿真研究 | 第37-43页 |
| ·基于RBF 神经网络的非最小相位的控制 | 第43-47页 |
| ·基于RBFNN 辨识的一种PID 控制器参数整定 | 第44-45页 |
| ·仿真研究 | 第45-47页 |
| ·本章小结 | 第47-49页 |
| 第五章 神经网络在多变量系统中的应用 | 第49-56页 |
| ·前言 | 第49-50页 |
| ·BP 神经网络PID 控制器在球磨机中的应用 | 第50-54页 |
| ·球磨机的动态特性 | 第50-51页 |
| ·BP 神经网络PID 控制系统的模型结构 | 第51-52页 |
| ·球磨机BP 神经网络PID 控制系统的计算方法 | 第52-53页 |
| ·仿真试验 | 第53-54页 |
| ·结论 | 第54页 |
| ·本章小结 | 第54-56页 |
| 第六章 结束语 | 第56-58页 |
| ·本论文主要完成的工作 | 第56-57页 |
| ·后续工作展望 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 致谢 | 第61-62页 |
| 在学期间发表的学术论文和参加科研情况 | 第62页 |
