| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景与意义 | 第10页 |
| 1.2 时滞现象产生的原因及特点 | 第10-11页 |
| 1.3 时滞系统研究现状 | 第11-13页 |
| 1.3.1 时滞系统辨识方法研究现状 | 第11-12页 |
| 1.3.2 时滞系统控制方法研究现状 | 第12-13页 |
| 1.4 本文的主要工作 | 第13-16页 |
| 第2章 基于BP神经网络的时滞系统建模 | 第16-30页 |
| 2.1 BP神经网络及其学习算法 | 第16-22页 |
| 2.1.1 BP神经网络结构 | 第17页 |
| 2.1.2 标准BP算法 | 第17-20页 |
| 2.1.3 BP神经网络的参数选取 | 第20-21页 |
| 2.1.4 BP神经网络辨识步骤 | 第21-22页 |
| 2.2 基于神经网络的系统辨识 | 第22-23页 |
| 2.3 基于BP神经网络的时滞系统建模 | 第23-29页 |
| 2.4 本章小节 | 第29-30页 |
| 第3章 基于自适应变异PSO-BP神经网络的时滞系统建模 | 第30-46页 |
| 3.1 粒子群优化算法 | 第30-34页 |
| 3.1.1 粒子群优化算法概述 | 第30-31页 |
| 3.1.2 标准粒子群优化算法 | 第31-33页 |
| 3.1.3 标准粒子群算法的局限性分析 | 第33-34页 |
| 3.2 粒子群优化算法的改进方法 | 第34-37页 |
| 3.2.1 粒子群改进算法的思想 | 第34-35页 |
| 3.2.2 自适应变异粒子群优化算法介绍 | 第35-36页 |
| 3.2.3 自适应变异PSO优化算法流程 | 第36-37页 |
| 3.3 基于自适应PSO-BP算法的时滞系统建模 | 第37-45页 |
| 3.3.1 自适应变异PSO优化BP神经网络的基本方法 | 第37页 |
| 3.3.2 自适应变异PSO-BP算法对时滞系统的建模步骤 | 第37-38页 |
| 3.3.3 基于自适应变异PSO-BP算法的时滞系统建模 | 第38-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第4章 时滞系统的神经网络预测控制 | 第46-64页 |
| 4.1 动态矩阵控制简介 | 第46-53页 |
| 4.1.1 预测控制概述 | 第46-48页 |
| 4.1.2 动态矩阵算法描述 | 第48-52页 |
| 4.1.3 动态矩阵控制参数设计以及算法实现流程 | 第52-53页 |
| 4.2 时滞系统的神经网络预测控制策略 | 第53-59页 |
| 4.2.1 神经网络预测控制的一般结构 | 第53-55页 |
| 4.2.2 基于自适应变异PSO-BP算法的神经网络DMC预测模型的建立 | 第55-57页 |
| 4.2.3 基于自适应变异PSO-BP算法的神经网络DMC控制律的计算 | 第57-58页 |
| 4.2.4 时滞系统的DMC参数设计 | 第58-59页 |
| 4.3 仿真分析 | 第59-63页 |
| 4.4 本章小结 | 第63-64页 |
| 第5章 结束语 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70页 |
