| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1 章 绪论 | 第11-22页 |
| ·自适应逆控制概述 | 第11-16页 |
| ·自适应逆控制简介 | 第12-13页 |
| ·具有参考模型和消除扰动的自适应逆控制系统 | 第13-14页 |
| ·自适应逆控制与自适应控制的比较 | 第14-16页 |
| ·非线性自适应逆控制系统 | 第16-20页 |
| ·非线性自适应逆控制的可行性 | 第16-17页 |
| ·非线性自适应逆控制领域的研究进展 | 第17-20页 |
| ·课题研究的目的及意义 | 第20页 |
| ·论文的主要工作和结构安排 | 第20-22页 |
| 第2 章 非线性系统可逆性及控制器设计方法 | 第22-30页 |
| ·非线性系统逆的存在性 | 第22-24页 |
| ·可逆性定义 | 第22-23页 |
| ·奇异性定义 | 第23页 |
| ·可逆性判定定理 | 第23-24页 |
| ·神经网络自适应逆控制系统设计方法 | 第24-25页 |
| ·控制方法结构设计 | 第24-25页 |
| ·自适应逆控制算法步骤 | 第25页 |
| ·神经网络逆模型的训练方法 | 第25-28页 |
| ·直接法 | 第25-26页 |
| ·间接法 | 第26-27页 |
| ·反馈误差法 | 第27-28页 |
| ·有扰动的对象的逆建模 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 第3 章 基于改进正交神经网络的自适应逆控制 | 第30-37页 |
| ·引言 | 第30页 |
| ·正交神经网络自适应逆控制器设计 | 第30-33页 |
| ·直接自适应逆系统组成 | 第30-31页 |
| ·正交神经网络控制器学习算法 | 第31-33页 |
| ·自适应逆控制器的算法步骤 | 第33页 |
| ·仿真研究 | 第33-36页 |
| ·本章小结 | 第36-37页 |
| 第4 章 基于模糊RBF 神经网络的自适应逆控制 | 第37-50页 |
| ·引言 | 第37页 |
| ·模糊神经网络的拓扑结构 | 第37-38页 |
| ·基于模糊RBF 网络的自适应辩识与控制 | 第38-43页 |
| ·控制系统结构 | 第38页 |
| ·模糊RBF 网络推理过程描述 | 第38-40页 |
| ·模糊RBF 网络辩识(RFBFI)学习算法 | 第40-41页 |
| ·模糊RBF 网络控制(FRBFC)学习算法 | 第41-43页 |
| ·仿真研究 | 第43-49页 |
| ·阶跃扰动的实验 | 第43-44页 |
| ·对象发生变化时系统控制性能的鲁棒性试验 | 第44-45页 |
| ·纯迟延对象的仿真实验 | 第45-49页 |
| ·本章小结 | 第49-50页 |
| 第5 章 基于Elman 网络的非线性自适应逆控制 | 第50-61页 |
| ·引言 | 第50页 |
| ·Elman 网络结构 | 第50-54页 |
| ·Elman 网络 | 第50-52页 |
| ·改进的Elman 网络 | 第52-54页 |
| ·Elman 网络隐层函数 | 第54页 |
| ·仿真研究 | 第54-60页 |
| ·基于Elman 神经网络的直接自适应逆控制 | 第54-57页 |
| ·基于Elman 神经网络的扰动消除控制 | 第57-60页 |
| ·本章小结 | 第60-61页 |
| 第6 章 基于遗传优化的可调螺距螺旋桨非线性PID 控制 | 第61-69页 |
| ·引言 | 第61-62页 |
| ·基于遗传优化的非线性PID 控制 | 第62-65页 |
| ·非线性PID 控制 | 第62-63页 |
| ·遗传算法整定非线性函数 | 第63-65页 |
| ·船舶调距桨控制系统仿真研究 | 第65-67页 |
| ·比例阀模型 | 第65-66页 |
| ·液压油缸模型 | 第66-67页 |
| ·仿真研究 | 第67-68页 |
| ·本章小结 | 第68-69页 |
| 结论 | 第69-71页 |
| 参考文献 | 第71-76页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第76-77页 |
| 致 谢 | 第77-78页 |
| 作者简介 | 第78页 |