基于CMAC神经网络的工业稳态优化设计
| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 第1章 绪论 | 第12-18页 |
| ·课题背景意义 | 第12-13页 |
| ·稳态优化的研究进展及成果 | 第13-16页 |
| ·国内外相关领域发展现状 | 第13-14页 |
| ·应用成果 | 第14-15页 |
| ·人工智能在工业控制领域的应用 | 第15-16页 |
| ·课题来源及研究内容 | 第16-18页 |
| ·课题来源 | 第16页 |
| ·本文主要工作 | 第16-18页 |
| 第2章 稳态优化设计方案 | 第18-25页 |
| ·引言 | 第18页 |
| ·稳态优化问题的描述 | 第18-20页 |
| ·系统建模 | 第20-22页 |
| ·传统建模方法 | 第20-21页 |
| ·智能建模方法 | 第21-22页 |
| ·优化算法 | 第22-23页 |
| ·传统的优化算法 | 第22页 |
| ·智能优化算法 | 第22-23页 |
| ·优化方案的提出 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第3章 基于CMAC 神经网络的系统建模 | 第25-43页 |
| ·引言 | 第25页 |
| ·神经网络概述 | 第25-27页 |
| ·神经网络的发展史 | 第25-27页 |
| ·人工神经网络的优点 | 第27页 |
| ·CMAC 神经网络 | 第27-29页 |
| ·概述CMAC 神经网络 | 第27-28页 |
| ·神经网络结构 | 第28-29页 |
| ·学习算法 | 第29页 |
| ·工作原理 | 第29-30页 |
| ·主要应用 | 第30-31页 |
| ·与其他网络的比较 | 第31-32页 |
| ·算法的改进 | 第32页 |
| ·模糊CMAC 神经网络模型 | 第32-42页 |
| ·模糊CMAC 神经网络结构 | 第32-34页 |
| ·算法原理 | 第34-36页 |
| ·仿真试验 | 第36-42页 |
| ·本章小结 | 第42-43页 |
| 第4章 粒子群优化算法的改进与仿真 | 第43-57页 |
| ·引言 | 第43页 |
| ·基本粒子群优化算法原理 | 第43-48页 |
| ·数学描述与参数分析 | 第44-46页 |
| ·算法迭代步骤 | 第46页 |
| ·算法特征和流程图 | 第46-48页 |
| ·粒子群优化算法研究现状 | 第48-49页 |
| ·粒子群优化算法的改进 | 第49-51页 |
| ·算法的局限性 | 第49页 |
| ·算法的改进 | 第49-50页 |
| ·其他改进算法 | 第50-51页 |
| ·引入随机摄动因子的复合粒子群优化算法 | 第51-56页 |
| ·参数选择策略 | 第51-52页 |
| ·随机摄动操作 | 第52页 |
| ·基于GA 新型复合粒子群优化算法 | 第52-53页 |
| ·仿真实验 | 第53-56页 |
| ·本章小结 | 第56-57页 |
| 第5章 稳态优化设计方案的实现 | 第57-63页 |
| ·引言 | 第57页 |
| ·优化对象的分析 | 第57-58页 |
| ·基于CMAC 神经网络的系统建模 | 第58-61页 |
| ·建模的主要步骤 | 第58-59页 |
| ·分解过程模型的建立 | 第59-61页 |
| ·基于改进的粒子群优化算法的稳态优化 | 第61-62页 |
| ·本章小结 | 第62-63页 |
| 结论 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间所发表的学术论文 | 第68-69页 |
| 致谢 | 第69页 |
