| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第一章 绪论 | 第7-12页 |
| ·研究背景及意义 | 第7页 |
| ·非线性系统观测器研究动态及一般设计方法 | 第7-9页 |
| ·智能优化算法的研究现状 | 第9-11页 |
| ·本文的主要内容和结构 | 第11-12页 |
| 第二章 非线性系统状态观测器设计理论综述 | 第12-18页 |
| ·规范型状态观测器设计 | 第12-14页 |
| ·规范型状态观测器的设计 | 第12-13页 |
| ·坐标变换方程 | 第13-14页 |
| ·基于线性化的状态观测器 | 第14-15页 |
| ·扩展线性化 | 第14-15页 |
| ·扩展Kalman 滤波 | 第15页 |
| ·基于Lyapunov方法的状态观测器设计 | 第15-17页 |
| ·智能型非线性观测器设计 | 第17-18页 |
| 第三章 群体智能算法概述 | 第18-29页 |
| ·粒子群算法的提出 | 第18-19页 |
| ·基本粒子群算法 | 第19-21页 |
| ·算法原理 | 第19-20页 |
| ·算法流程 | 第20-21页 |
| ·算法的社会行为分析 | 第21页 |
| ·几种改进粒子群算法 | 第21-26页 |
| ·带有惯性因子的粒子群算法 | 第21-22页 |
| ·带有收缩因子的粒子群算法 | 第22-23页 |
| ·基于遗传思想改进粒子群算法 | 第23-24页 |
| ·利用小生境思想的粒子群算法 | 第24-25页 |
| ·其他的改进粒子群算法 | 第25-26页 |
| ·具有量子行为粒子群算法 | 第26-28页 |
| ·粒子群算法的缺点 | 第26页 |
| ·具有量子行为粒子群算法模型 | 第26-27页 |
| ·具有量子行为粒子群算法的优点 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第四章 基于动态神经网络的非线性系统辨识和状态观测 | 第29-44页 |
| ·神经网络的类型及模型分析 | 第29-31页 |
| ·基于动态回归神经网络的系统辨识和状态观测 | 第31-37页 |
| ·基于静态神经网络的非线性系统辨识 | 第32-33页 |
| ·基于动态回归神经网络的非线性系统辨识 | 第33-34页 |
| ·基于动态递归神经网络的非线性状态观测器的状态轨迹逼近性能 | 第34-37页 |
| ·基于QPSO 算法的动态递归神经网络权值学习算法 | 第37-43页 |
| ·动态神经网络学习算法研究现状 | 第37-38页 |
| ·运用QPSO 算法构造动态神经网络的学习算法 | 第38-39页 |
| ·仿真实验及结果分析 | 第39-43页 |
| ·本章小结 | 第43-44页 |
| 第五章 基于智能优化算法的滚动时域非线性观测器设计研究 | 第44-56页 |
| ·滚动时域理论的提出 | 第44-45页 |
| ·滚动时域非线性状态观测器的设计原理 | 第45-51页 |
| ·符号定义和基本假设条件 | 第45-46页 |
| ·非线性观测器设计策略 | 第46-51页 |
| ·基于PSO 和QPSO 优化的滚动时域非线性状态观测器 | 第51-54页 |
| ·非线性系统描述和滚动时域估计方法 | 第51-52页 |
| ·基于PSO 和QPSO 优化的滚动时域估计 | 第52页 |
| ·基于PSO 和QPSO 优化的非线性观测器的仿真实例 | 第52-54页 |
| ·本章小结 | 第54-56页 |
| 第六章 总结与展望 | 第56-57页 |
| ·总结 | 第56页 |
| ·展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 攻读硕士学位期间发表的论文 | 第61页 |
