| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 创新点摘要 | 第7-10页 |
| 第一章 绪论 | 第10-20页 |
| ·研究背景 | 第10页 |
| ·动态系统控制理论和方法 | 第10-14页 |
| ·基本理论 | 第10-13页 |
| ·神经网络控制 | 第13-14页 |
| ·人工神经网络 | 第14-15页 |
| ·基本概念 | 第14-15页 |
| ·特点及应用 | 第15页 |
| ·过程神经元网络 | 第15-18页 |
| ·过程神经元 | 第15-16页 |
| ·过程神经元网络模型 | 第16-18页 |
| ·本文主要研究内容 | 第18-20页 |
| 第二章 基于人工神经网络的系统辨识 | 第20-27页 |
| ·引言 | 第20-21页 |
| ·BP 神经网络 | 第21-24页 |
| ·网络模型 | 第21页 |
| ·学习算法 | 第21-23页 |
| ·BP 网络缺点及改进 | 第23-24页 |
| ·仿真实验 | 第24-26页 |
| ·本章小结 | 第26-27页 |
| 第三章 基于正则化模糊神经网络的动态系统控制 | 第27-33页 |
| ·引言 | 第27页 |
| ·NFNN 系统控制模型 | 第27-30页 |
| ·拓扑结构 | 第27-29页 |
| ·RQGA 求解算法 | 第29-30页 |
| ·应用实例 | 第30-32页 |
| ·仿真实验 | 第31-32页 |
| ·算法对比 | 第32页 |
| ·本章小结 | 第32-33页 |
| 第四章 基于前馈过程神经元网络的动态系统控制 | 第33-42页 |
| ·引言 | 第33-34页 |
| ·辨识模型和求解算法 | 第34-36页 |
| ·网络模型 | 第34页 |
| ·求解算法 | 第34-36页 |
| ·控制模型和求解算法 | 第36-38页 |
| ·逆向求解模型 | 第36-37页 |
| ·学习算法 | 第37-38页 |
| ·仿真实验 | 第38-41页 |
| ·应用PNN 建立正向映射关系 | 第38-39页 |
| ·逆向求解 | 第39-41页 |
| ·本章小结 | 第41-42页 |
| 第五章 基于 Elman 过程神经网络的动态系统控制 | 第42-50页 |
| ·引言 | 第42页 |
| ·网络模型 | 第42-44页 |
| ·学习算法 | 第44-47页 |
| ·仿真实验 | 第47-49页 |
| ·辨识实验 | 第47-49页 |
| ·控制实验 | 第49页 |
| ·本章小结 | 第49-50页 |
| 第六章 过程神经网络控制模型优化求解算法研究 | 第50-65页 |
| ·量子遗传算法 | 第50-52页 |
| ·研究背景 | 第50-51页 |
| ·改进的量子遗传算法 | 第51-52页 |
| ·基于量子遗传算法的过程神经元网络训练 | 第52-58页 |
| ·网络模型 | 第53-55页 |
| ·学习算法 | 第55-56页 |
| ·仿真试验 | 第56-58页 |
| ·基于BFGS 算法的过程神经元网络训练 | 第58-64页 |
| ·BFGS 算法 | 第58-59页 |
| ·用BFGS 算法训练PNN | 第59-62页 |
| ·仿真试验 | 第62-64页 |
| ·本章小结 | 第64-65页 |
| 结论 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 发表文章目录 | 第69-70页 |
| 致谢 | 第70-71页 |
| 详细摘要 | 第71-79页 |