| 前言 | 第1-18页 |
| 第一章 神经网络PID控制系统的理论基础 | 第18-27页 |
| 1．1 神经网络基础 | 第18-21页 |
| 1．1．1 单神经元模型 | 第18-19页 |
| 1．1．2 人工神经网络模型 | 第19-20页 |
| 1．1．3 神经网络的学习规则 | 第20-21页 |
| 1．2 多层前向神经网络及其主要算法 | 第21-23页 |
| 1．2．1 适于控制的神经网络结构 | 第21-23页 |
| 1．2．2 利用神经网络求对象的灵敏度 | 第23页 |
| 1．3 动态递归神经网络 | 第23-27页 |
| 1．3．1 RNN的网络结构和学习算法 | 第23-25页 |
| 1．3．2 DRNN的内反馈特性 | 第25-26页 |
| 1．3．3 DRNN用于控制及辨识时的结构 | 第26页 |
| 1．3．4 利用DRNN辨识对象的灵敏度 | 第26-27页 |
| 第二章 单变量系统的神经网络PID控制方法研究 | 第27-45页 |
| 2．1 BP神经网络PID控制 | 第27-28页 |
| 2．2 预测控制的基本原理 | 第28-30页 |
| 2．3 改进的多步预测性能指标函数下的神经网络PID控制 | 第30-44页 |
| 2．3．1 结构形式和计算方法 | 第30-32页 |
| 2．3．2 权值训练算法 | 第32-33页 |
| 2．3．3 仿真研究 | 第33-44页 |
| 2．4 小结 | 第44-45页 |
| 第三章 多变量系统的神经网络PID控制方法研究 | 第45-59页 |
| 3．1 多步预测性能指标函数下多变量系统的神经网络PID控制 | 第45-47页 |
| 3．1．1 结构形式和计算方法 | 第45-46页 |
| 3．1．2 控制器权值的训练步骤 | 第46-47页 |
| 3．2 改进的PID神经元网络多变量控制方法研究 | 第47-52页 |
| 3．2．1 结构形式和计算方法 | 第48-50页 |
| 3．2．2 反传学习算法 | 第50-51页 |
| 3．2．3 权值初值设定及学习结束条件 | 第51页 |
| 3．2．4 权值训练算法 | 第51-52页 |
| 3．3 仿真研究 | 第52-58页 |
| 3．3．1 多步预测性能指标函数下多变量系统的神经网络PID控制 | 第52-55页 |
| 3．3．2 改进的PID神经元网络多变量控制方法 | 第55-58页 |
| 3．4 小结 | 第58-59页 |
| 结论 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-62页 |
