| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 课题研究背景 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 课题研究目的及意义 | 第11页 |
| 1.4 本文主要研究内容及结构安排 | 第11-13页 |
| 第2章 预备知识 | 第13-25页 |
| 2.1 神经动力学模型 | 第13-17页 |
| 2.1.1 单个神经群的神经动力学模型 | 第13-15页 |
| 2.1.2 多个神经群耦合的神经动力学模型 | 第15-17页 |
| 2.2 滤波算法 | 第17-22页 |
| 2.2.1 Kalman滤波算法 | 第17-20页 |
| 2.2.2 强跟踪滤波算法 | 第20-21页 |
| 2.2.3 滤波性能估计方法 | 第21-22页 |
| 2.3 控制算法 | 第22-24页 |
| 2.3.1 PID控制算法 | 第22-24页 |
| 2.3.2 控制性能估计方法 | 第24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 神经动力学模型的滤波 | 第25-41页 |
| 3.1 神经动力学模型的动力学特性分析 | 第25-26页 |
| 3.1.1 单个神经群的神经动力学模型仿真 | 第25-26页 |
| 3.1.2 三个神经群耦合的神经动力学模型仿真 | 第26页 |
| 3.2 基于CKF算法的神经动力学模型的滤波 | 第26-35页 |
| 3.2.1 CKF算法 | 第28-30页 |
| 3.2.2 基于CKF算法的滤波方案 | 第30页 |
| 3.2.3 基于CKF算法的滤波性能分析 | 第30-35页 |
| 3.3 基于STCKF算法的神经动力学模型的滤波 | 第35-40页 |
| 3.3.1 STCKF算法 | 第35-38页 |
| 3.3.2 基于STCKF算法的滤波方案 | 第38页 |
| 3.3.3 基于STCKF算法的滤波性能分析 | 第38-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 神经动力学模型的控制 | 第41-53页 |
| 4.1 基于CKF算法的神经动力学模型的闭环控制 | 第41-45页 |
| 4.1.1 基于CKF算法的控制方案 | 第41-42页 |
| 4.1.2 基于CKF算法的控制性能分析 | 第42-45页 |
| 4.2 基于单神经元自适应PID的神经动力学模型的控制 | 第45-52页 |
| 4.2.1 单神经元模型 | 第45-46页 |
| 4.2.2 单神经元自适应PID控制算法 | 第46-48页 |
| 4.2.3 基于单神经元自适应PID的控制性能分析 | 第48-52页 |
| 4.3 本章小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-62页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第62-63页 |
| 致谢 | 第63页 |