智能控制在一类过程控制系统中的应用研究
| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-10页 |
| 1 概述 | 第10-18页 |
| 1．1 工业过程控制的现状 | 第10-13页 |
| 1．1．1 工业过程控制生产的特点及发展现状 | 第10-12页 |
| 1．1．2 传统控制存在的问题 | 第12-13页 |
| 1．2 智能控制方法 | 第13-16页 |
| 1．2．1 智能控制方法的起源、发展及分类 | 第13-15页 |
| 1．2．2 智能控制的功能特点 | 第15-16页 |
| 1．3 本课题的背景和本文研究内容 | 第16-18页 |
| 1．3．1 课题背景 | 第16-17页 |
| 1．3．2 论文研究内容 | 第17-18页 |
| 2 智能PID方法的应用研究 | 第18-37页 |
| 2．1 霜液剂温度控制系统概述 | 第18-19页 |
| 2．1．1 系统描述 | 第18-19页 |
| 2．1．2 控制要求 | 第19页 |
| 2．2 数学模型分析 | 第19-21页 |
| 2．3 模糊控制基本原理 | 第21-22页 |
| 2．4 控制器设计 | 第22-28页 |
| 2．4．1 模糊PID的设计 | 第23-24页 |
| 2．4．2 模糊变量选取与子集划分 | 第24-25页 |
| 2．4．3 制定模糊规则 | 第25-28页 |
| 2．4．4 T_I和T_D的整定 | 第28页 |
| 2．5 控制器实现 | 第28-31页 |
| 2．5．1 硬件实现 | 第28-30页 |
| 2．5．2 软件实现 | 第30-31页 |
| 2．6 整体系统的智能操作实现和运行结果 | 第31-36页 |
| 2．6．1 系统硬件构成描述 | 第31-34页 |
| 2．6．2 运行结果 | 第34-36页 |
| 2．7 小结 | 第36-37页 |
| 3 系统被控对象的神经网络建模 | 第37-64页 |
| 3．1 神经网络建模方法 | 第37-41页 |
| 3．1．1 神经网络模型 | 第38-39页 |
| 3．1．2 正向建模 | 第39-40页 |
| 3．1．3 逆向建模 | 第40-41页 |
| 3．2 神经网络正模型 | 第41-44页 |
| 3．2．1 对象特征分析 | 第41-42页 |
| 3．2．2 对象神经网络正模型的建立 | 第42-43页 |
| 3．2．3 神经网络结构的确定 | 第43-44页 |
| 3．3 神经网络学习算法 | 第44-51页 |
| 3．3．1 传统BP算法 | 第44-45页 |
| 3．3．2 BP算法存在问题分析 | 第45-47页 |
| 3．3．3 改进BP算法学习神经网络模型权系 | 第47-51页 |
| 3．4 优良的全局优化算法——遗传算法 | 第51-56页 |
| 3．4．1 遗传算法简介 | 第51-53页 |
| 3．4．2 遗传算法的重要组成部分 | 第53-56页 |
| 3．5 遗传算法学习神经网络权系数 | 第56-63页 |
| 3．5．1 编码方式 | 第58-59页 |
| 3．5．2 适应度函数 | 第59-60页 |
| 3．5．3 遗传操作 | 第60-61页 |
| 3．5．4 仿真运算结果 | 第61-63页 |
| 3．6 小结 | 第63-64页 |
| 4 复合神经网络自适应温度控制系统 | 第64-74页 |
| 4．1 神经网络控制的结构 | 第64-69页 |
| 4．1．1 神经网络控制系统 | 第64-65页 |
| 4．1．2 基本结构 | 第65-67页 |
| 4．1．3 神经网络自适应控制 | 第67-69页 |
| 4．2 复合神经网络自适应控制系统结构 | 第69-70页 |
| 4．3 遗传算法学习神经网络控制器 | 第70-73页 |
| 4．3．1 编码方式和适应度函数 | 第71页 |
| 4．3．2 遗传操作 | 第71页 |
| 4．3．3 仿真结果 | 第71-73页 |
| 4．4 小结 | 第73-74页 |
| 5 结语 | 第74-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 附录 | 第81-95页 |
| 论文发表情况 | 第95页 |
