| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-21页 |
| ·引言 | 第9-10页 |
| ·磁控形状记忆合金的概述 | 第10-13页 |
| ·磁控形状记忆合金的简介 | 第10-11页 |
| ·磁控形状记忆合金的发展 | 第11-13页 |
| ·MSMA 执行器国内外的研究与存在的问题 | 第13-16页 |
| ·MSMA 执行器国内外的研究现状 | 第13-15页 |
| ·MSMA 执行器存在的问题 | 第15-16页 |
| ·磁滞非线性简介 | 第16-19页 |
| ·磁滞非线性的含义 | 第16页 |
| ·磁滞模型简介 | 第16-19页 |
| ·本文研究的主要内容 | 第19-21页 |
| 第2章 MSMA 执行器特性的研究 | 第21-33页 |
| ·磁控形状记忆合金的形变机理 | 第21-23页 |
| ·磁控形状记忆效应 | 第21-22页 |
| ·磁控形状记忆合金的马氏体相变 | 第22-23页 |
| ·MSMA 执行器的特点与应用 | 第23-25页 |
| ·MSMA 执行器的结构原理 | 第25-26页 |
| ·MSMA 执行器的静态特性 | 第26-29页 |
| ·恒定磁场恒定压力下MSMA 执行器应变率与温度之间的关系 | 第26-27页 |
| ·恒定磁场恒定温度下MSMA 执行器应变率与压力之间的关系 | 第27-28页 |
| ·恒定压力恒定温度下MSMA 执行器应变率与磁场之间的关系 | 第28-29页 |
| ·MSMA 执行器的动态特性 | 第29-30页 |
| ·MSMA 执行器的动力学模型 | 第30-32页 |
| ·本章小结 | 第32-33页 |
| 第3章 基于神经网络模型的 MSMA 执行器控制系统设计 | 第33-47页 |
| ·神经网络及其函数逼近能力 | 第33-34页 |
| ·MSMA 执行器的神经网络模型 | 第34-39页 |
| ·激励函数的选取 | 第34-35页 |
| ·模型的网络结构 | 第35-36页 |
| ·神经网络模型的学习算法 | 第36-37页 |
| ·正模型仿真实验 | 第37-39页 |
| ·基于神经网络逆模型的开环控制 | 第39-43页 |
| ·MSMA 执行器的神经网络逆模型 | 第39页 |
| ·逆模型仿真实验 | 第39-41页 |
| ·神经网络逆模型开环控制 | 第41-42页 |
| ·神经网络逆模型开环控制仿真实验 | 第42-43页 |
| ·基于神经网络模型前馈的MSMA 执行器复合控制 | 第43-46页 |
| ·神经网络复合控制结构 | 第43-44页 |
| ·神经网络复合控制仿真实验 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 第4章 基于PI 模型的 MSMA 执行器控制系统设计 | 第47-65页 |
| ·线性 Play 算子与 Stop 算子 | 第47-48页 |
| ·MSMA 执行器的PI 正模型 | 第48-55页 |
| ·PI 模型的结构 | 第48-49页 |
| ·权值更新算法 | 第49-52页 |
| ·正模型仿真实验 | 第52-55页 |
| ·MSMA 执行器的PI 逆模型 | 第55-60页 |
| ·PI 逆模型的模型结构 | 第55-56页 |
| ·权值更新算法 | 第56-58页 |
| ·逆模型仿真实验 | 第58-60页 |
| ·基于 PI 逆模型的开环控制器 | 第60-62页 |
| ·基于 PI 模型前馈的MSMA 执行器复合控制 | 第62-64页 |
| ·本章小结 | 第64-65页 |
| 第5章 MSMA 执行器的再励学习模糊神经网络控制 | 第65-76页 |
| ·模糊神经网络的控制思想 | 第65-66页 |
| ·再励学习模糊神经网络控制器的系统设计 | 第66-71页 |
| ·GARIC 的系统结构 | 第66-67页 |
| ·再励学习模糊神经网络控制器的系统结构 | 第67-71页 |
| ·AEN 及ASN 的学习算法 | 第71-73页 |
| ·AEN 学习算法 | 第71页 |
| ·ASN 学习算法 | 第71-73页 |
| ·仿真实验 | 第73-75页 |
| ·本章小结 | 第75-76页 |
| 第6章 总结 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 作者简介及在学期间参与的科研项目 | 第81-82页 |
| 致谢 | 第82页 |
