| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-15页 |
| ·课题研究背景及意义 | 第10-11页 |
| ·国内外研究现状综述 | 第11-14页 |
| ·制冷循环系统国内外发展现状 | 第11-12页 |
| ·温度控制算法国内外发展现状 | 第12-14页 |
| ·本文主要内容及结构安排 | 第14-15页 |
| 第二章 油冷机的数学建模 | 第15-25页 |
| ·油冷机工作原理 | 第15-16页 |
| ·压缩机的数学建模 | 第16-19页 |
| ·压缩机简化 | 第16-17页 |
| ·基本数学模型 | 第17-19页 |
| ·换热器模型 | 第19-22页 |
| ·冷凝器数学建模 | 第20-21页 |
| ·蒸发器数学建模 | 第21-22页 |
| ·电子膨胀阀数学建模 | 第22-23页 |
| ·油冷机数学模型传递参数的确定 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第三章 神经网络 PID 控制器的控制参数自整定 | 第25-42页 |
| ·神经网络原理 | 第25-29页 |
| ·MP 模型 | 第26-27页 |
| ·激励函数类型 | 第27-28页 |
| ·神经网络学习方式和学习规则 | 第28-29页 |
| ·RBF 神经网络 | 第29-33页 |
| ·RBF 神经网络概述 | 第29-30页 |
| ·RBF 网络的优势 | 第30-31页 |
| ·被控对象 Jacobian 信息的辨识算法 | 第31页 |
| ·RBF 神经网络学习算法 | 第31-33页 |
| ·PID 控制的基本原理 | 第33-37页 |
| ·PID 控制器基本理论 | 第33-35页 |
| ·增量式 PID 控制器 | 第35页 |
| ·PID 控制器参数的整定 | 第35-36页 |
| ·PID 控制器的缺陷及改进设想 | 第36-37页 |
| ·RBF 神经网络 PID 控制器的设计 | 第37-39页 |
| ·RBF 神经网络 PID 参数自整定原理 | 第37-38页 |
| ·RBF 神经网络 PID 参数自整定步骤 | 第38-39页 |
| ·仿真结果分析 | 第39-40页 |
| ·本章小结 | 第40-42页 |
| 第四章 基于粒子群算法优化的 RBF PID 控制器参数整定 | 第42-64页 |
| ·粒子群算法的概念 | 第42-45页 |
| ·粒子群优化算法基本原理 | 第43-44页 |
| ·粒子群优化算法的基本数学理论 | 第44页 |
| ·粒子群算法基本流程 | 第44-45页 |
| ·粒子群学习算法的优化 | 第45-47页 |
| ·惯性权重因子的引入 | 第46-47页 |
| ·收缩因子的引入 | 第47页 |
| ·粒子群优化算法参数选择 | 第47-49页 |
| ·应用粒子群优化算法的基本步骤 | 第48页 |
| ·算法参数的初始设置 | 第48-49页 |
| ·基于粒子群优化算法的 PID 控制器参数整定 | 第49-57页 |
| ·粒子群优化算法整定 PID 参数基本原理 | 第49-50页 |
| ·粒子群算法设计步骤 | 第50-52页 |
| ·粒子群算法的伪码描述 | 第52-53页 |
| ·基于 PSO 算法优化的 PID 控制器设计 | 第53-55页 |
| ·仿真结果分析 | 第55-57页 |
| ·粒子群算法优化的 RBF 神经网络 PID 控制器设计 | 第57-62页 |
| ·应用粒子群优化算法优化 RBF 初始参数 | 第57-60页 |
| ·仿真结果分析 | 第60-62页 |
| ·本章小结 | 第62-64页 |
| 第五章 总结与展望 | 第64-66页 |
| ·总结 | 第64-65页 |
| ·未来展望 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 致谢 | 第71-72页 |
| 详细摘要 | 第72-76页 |