基于系统辨识的神经网络学习算法研究
| 中文摘要 | 第1-7页 |
| 英文摘要 | 第7-9页 |
| 第1章 引言 | 第9-18页 |
| 1．1 概述 | 第9-10页 |
| 1．2 神经网络辨识的研究现状 | 第10-14页 |
| 1．2．1 神经网络在线性系统辨识中的应用 | 第10-11页 |
| 1．2．2 神经网络在非线性系统辨识中的应用 | 第11-13页 |
| 1．2．3 神经网络的应用 | 第13页 |
| 1．2．4 神经网络辨识存在的局限性 | 第13-14页 |
| 1．3 课题提出的背景 | 第14-15页 |
| 1．4 本文的主要研究内容 | 第15-17页 |
| 1．5 本文的结构 | 第17-18页 |
| 第2章 神经网络辨识的基本原理 | 第18-22页 |
| 2．1 引言 | 第18页 |
| 2．2 被辨识对象的数学模型 | 第18-19页 |
| 2．3 神经网络辨识的基本原理 | 第19-22页 |
| 2．3．1 辨识模型 | 第19-20页 |
| 2．3．2 辨识原理 | 第20-22页 |
| 第3章 线性神经网络 | 第22-27页 |
| 3．1 引言 | 第22页 |
| 3．2 网络结构 | 第22-23页 |
| 3．3 参数学习算法 | 第23-24页 |
| 3．4 辨识模型 | 第24-25页 |
| 3．5 仿真研究 | 第25-27页 |
| 3．5．1 线性系统辨识 | 第25-26页 |
| 3．5．2 自适应系统辨识 | 第26-27页 |
| 第4章 多层前馈型神经元网络 | 第27-48页 |
| 4．1 BP网络 | 第27-37页 |
| 4．1．1 概述 | 第27页 |
| 4．1．2 网络结构 | 第27-28页 |
| 4．1．3 标准BP算法 | 第28-35页 |
| 4．1．4 改进的BP算法 | 第35-37页 |
| 4．2 一种具有快速学习算法的神经网络 | 第37-41页 |
| 4．2．1 网络结构 | 第38页 |
| 4．2．2 参数学习算法 | 第38-40页 |
| 4．2．3 仿真研究 | 第40-41页 |
| 4．2．4 结论 | 第41页 |
| 4．3 具有动态补偿能力的神经网络 | 第41-48页 |
| 4．3．1 引言 | 第41-42页 |
| 4．3．2 网络结构 | 第42-43页 |
| 4．3．3 参数学习算法 | 第43-45页 |
| 4．3．4 网络模型的使用 | 第45页 |
| 4．3．5 仿真研究 | 第45-46页 |
| 4．3．6 结论 | 第46-48页 |
| 第5章 动态递归神经网络 | 第48-53页 |
| 5．1 引言 | 第48页 |
| 5．2 动态递归神经网络结构 | 第48-49页 |
| 5．3 基于动态递归网络模型的系统辨识 | 第49-51页 |
| 5．4 参数学习算法 | 第51页 |
| 5．5 仿真研究 | 第51-53页 |
| 第6章 神经网络建模在直流调速系统中的应用 | 第53-60页 |
| 6．1 概述 | 第53页 |
| 6．2 直流调速系统的动态结构图 | 第53-54页 |
| 6．3 基于RPE算法的神经网络辨识 | 第54-60页 |
| 6．3．1 神经网络建模的结构 | 第54-55页 |
| 6．3．2 神经网络的RPE算法 | 第55-57页 |
| 6．3．3 仿真研究 | 第57-60页 |
| 第7章 结论 | 第60-61页 |
| 攻读硕士学位期间公开发表的论文 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 作者简介 | 第66页 |
