| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 1 绪论 | 第10-24页 |
| ·时滞系统及其在控制领域的研究历史及现状 | 第10-13页 |
| ·时滞系统的传统控制方法 | 第11页 |
| ·时滞系统的现代控制方法 | 第11-13页 |
| ·模型预测控制建模方法研究概述 | 第13-19页 |
| ·预测控制中常用的建模方法 | 第13-17页 |
| ·模型未知时滞系统延迟时间的辨识研究 | 第17-19页 |
| ·神经网络在非线性动态系统建模中的应用研究 | 第19-22页 |
| ·本文主要研究内容和结构安排 | 第22-24页 |
| 2 通用学习网络自适应算法及其在时滞系统辨识中的应用 | 第24-55页 |
| ·引言 | 第24-25页 |
| ·通用学习网络的基本结构和算法 | 第25-37页 |
| ·沿时间反向传播算法 | 第25-28页 |
| ·通用学习网络的基本结构 | 第28-30页 |
| ·通用学习网络的基本算法 | 第30-33页 |
| ·基于通用学习网络的动态系统辨识仿真研究 | 第33-37页 |
| ·改进的通用学习网络自适应学习算法 | 第37-53页 |
| ·自适应选择延迟时间算法 | 第38-40页 |
| ·递归神经网络的稳定性 | 第40-42页 |
| ·通用学习网络的稳定性分析 | 第42-47页 |
| ·基于通用学习网络自适应学习算法的时滞系统辨识仿真 | 第47-53页 |
| ·本章小结 | 第53-55页 |
| 3 基于通用学习网络的非线性时滞系统控制 | 第55-75页 |
| ·引言 | 第55-56页 |
| ·基于通用学习网络的非线性时滞系统控制器设计 | 第56-64页 |
| ·基于通用学习网络预测模型的控制系统设计 | 第56-59页 |
| ·基于神经网络的控制器设计 | 第59-62页 |
| ·基于神经网络预测模型的控制系统的稳定性分析 | 第62-64页 |
| ·基于通用学习网络自适应学习算法的pH中和控制 | 第64-74页 |
| ·pH中和过程控制的研究现状 | 第64-66页 |
| ·pH中和过程 | 第66-69页 |
| ·pH中和过程辨识仿真 | 第69-71页 |
| ·pH中和过程预测控制系统仿真实验 | 第71-74页 |
| ·本章小结 | 第74-75页 |
| 4 基于一种动态前向神经网络的时滞系统预测控制 | 第75-109页 |
| ·引言 | 第75-76页 |
| ·一种包含动态神经元的动态前向神经网络 | 第76-91页 |
| ·带有动态神经元的动态前向神经网络结构 | 第76-78页 |
| ·基于误差梯度的动态前向神经网络学习算法 | 第78-82页 |
| ·动态前向神经网络的稳定性分析 | 第82-85页 |
| ·基于动态前向神经网络的系统辨识仿真研究 | 第85-91页 |
| ·基于改进微粒群算法的动态前向神经网络学习算法 | 第91-102页 |
| ·基于Logistic映射的改进微粒群算法 | 第91-93页 |
| ·基于Logistic映射微粒群算法的动态前向神经网络设计 | 第93-94页 |
| ·基于Logistic映射微粒群算法的动态前向神经网络辨识仿真 | 第94-102页 |
| ·基于动态前向神经网络的预测控制系统设计 | 第102-106页 |
| ·基于动态前向神经网络的误差补偿预测控制系统 | 第103-104页 |
| ·基于神经网络的误差补偿控制系统稳定性分析 | 第104-106页 |
| ·基于神经网络的误差补偿预测控制系统仿真 | 第106-108页 |
| ·本章小结 | 第108-109页 |
| 5 总结与展望 | 第109-113页 |
| ·全文总结 | 第109-111页 |
| ·研究展望 | 第111-113页 |
| 参考文献 | 第113-124页 |
| 攻读博士学位期间发表学术论文情况 | 第124-126页 |
| 在学期间参加的基金项目 | 第126-127页 |
| 创新点摘要 | 第127-128页 |
| 致谢 | 第128-129页 |
| 作者简介 | 第129-130页 |
