| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第11-16页 |
| 1.1 课题背景及研究意义 | 第11页 |
| 1.2 位置随动系统概述 | 第11-13页 |
| 1.3 位置随动系统抗干扰研究现状 | 第13-14页 |
| 1.4 论文研究的主要内容 | 第14-16页 |
| 2 多管火箭炮伺服系统建模 | 第16-28页 |
| 2.1 引言 | 第16页 |
| 2.2 多管火箭炮的机械结构 | 第16-17页 |
| 2.3 位置随动系统的负载扰动分析 | 第17-18页 |
| 2.4 位置随动系统的组成及工作原理 | 第18-20页 |
| 2.4.1 位置随动系统的组成 | 第18-19页 |
| 2.4.2 位置随动系统的工作原理 | 第19-20页 |
| 2.5 位置随动系统的数学模型 | 第20-27页 |
| 2.5.1 交流伺服电机的d、q轴数学模型 | 第21-23页 |
| 2.5.2 交流伺服电动机的矢量控制模型 | 第23-25页 |
| 2.5.3 多管火箭炮交流伺服系统仿真数学模型 | 第25-27页 |
| 2.6 小结 | 第27-28页 |
| 3 多管火箭炮位置随动系统的系统辨识 | 第28-47页 |
| 3.1 引言 | 第28页 |
| 3.2 系统辨识的基本概念 | 第28-33页 |
| 3.2.1 系统辨识概述 | 第28页 |
| 3.2.2 系统辨识流程 | 第28-29页 |
| 3.2.3 系统辨识的获取 | 第29-32页 |
| 3.2.4 辨识信号预处理 | 第32-33页 |
| 3.2.5 性能评价指标 | 第33页 |
| 3.3 神经网络 | 第33-35页 |
| 3.4 基于RBF神经网络的辨识 | 第35-41页 |
| 3.4.1 RBF神经元模型 | 第35-36页 |
| 3.4.2 RBF神经网络结构 | 第36-37页 |
| 3.4.3 RBF神经网络常用学习算法 | 第37-39页 |
| 3.4.4 RBF神经网络辨识研究 | 第39-41页 |
| 3.5 基于IMPSO-RBF神经网络辨识 | 第41-46页 |
| 3.5.1 基本粒子群算法 | 第41-42页 |
| 3.5.2 改进粒子群算法 | 第42-43页 |
| 3.5.3 基于IMPSO-RBF神经网络算法 | 第43-44页 |
| 3.5.4 基于IMPSO-RBF神经网络辨识研究 | 第44-46页 |
| 3.6 两种辨识方法比较 | 第46页 |
| 3.7 小结 | 第46-47页 |
| 4 多管火箭炮位置随动系统控制器设计 | 第47-62页 |
| 4.1 引言 | 第47页 |
| 4.2 PID控制器 | 第47-48页 |
| 4.3 自抗扰控制器 | 第48-52页 |
| 4.3.1 自抗扰控制器的组成 | 第49-52页 |
| 4.4 位置控制器设计 | 第52-61页 |
| 4.4.1 单神经元控制器 | 第52-53页 |
| 4.4.2 RBF神经网络在线辨识器 | 第53-54页 |
| 4.4.3 fal函数的改进 | 第54-55页 |
| 4.4.4 基于RBFNN在线辨识的单神经元自抗扰控制器设计 | 第55-57页 |
| 4.4.5 控制仿真实验及分析 | 第57-61页 |
| 4.5 小结 | 第61-62页 |
| 5 实验研究 | 第62-77页 |
| 5.1 引言 | 第62页 |
| 5.2 性能指标 | 第62页 |
| 5.3 多管火箭炮伺服系统实验平台硬件组成 | 第62-69页 |
| 5.3.1 控制计算机 | 第63-65页 |
| 5.3.2 伺服放大器 | 第65-67页 |
| 5.3.3 位置信息采集模块 | 第67-69页 |
| 5.3.4 执行电机及驱动器 | 第69页 |
| 5.4 多管火箭炮系统软件设计 | 第69-70页 |
| 5.5 实验验证 | 第70-76页 |
| 5.5.1 半实物实验 | 第71-74页 |
| 5.5.2 现场发射实验 | 第74-76页 |
| 5.6 小结 | 第76-77页 |
| 6 结束语 | 第77-79页 |
| 致谢 | 第79-80页 |
| 参考文献 | 第80-84页 |
| 附录 | 第84-85页 |