受限柔性机器人的动力学建模与智能控制
| 中文摘要 | 第1-6页 |
| 英文摘要 | 第6-11页 |
| 第一章 绪论 | 第11-18页 |
| ·控制理论的发展及面临的挑战 | 第11-12页 |
| ·神经网络发展概况 | 第12-14页 |
| ·模糊控制理论发展概况 | 第14-16页 |
| ·本文的工作 | 第16-18页 |
| 第二章 几种常用神经网络及其性质分析 | 第18-37页 |
| ·多层感知器 | 第18-19页 |
| ·径向基函数网络 | 第19-21页 |
| ·概率广义回归网络 | 第21-22页 |
| ·模糊神经网络 | 第22-26页 |
| ·广义模糊神经网络 | 第26-28页 |
| ·上述网络模型的性质分析 | 第28-37页 |
| ·统一的数学描述 | 第28-30页 |
| ·神经网络的去相关性与逼近原理 | 第30-33页 |
| ·学习矩阵的条件数度数值 | 第33-35页 |
| ·几个待研究的问题程 | 第35-37页 |
| 第三章 基于正交多项式基的神经网络学习算法 | 第37-47页 |
| ·正交多项式逼近理论 | 第37-38页 |
| ·正交多项式基神经网络学习算法 | 第38-41页 |
| ·单输入的情况 | 第38-39页 |
| ·多输入的情况 | 第39-41页 |
| ·学习算法 | 第41页 |
| ·仿真实例 | 第41-46页 |
| ·几点结论 | 第46-47页 |
| 第四章 参数可分离学习算法 | 第47-58页 |
| ·问题提出与理论分析 | 第47-49页 |
| ·参数可分离学习算法 | 第49-51页 |
| ·仿真实例 | 第51-58页 |
| 第五章 基于广义k-均值聚类的正交最小二乘算法 | 第58-68页 |
| ·广义模糊神经网络的数学模型 | 第58-59页 |
| ·k-均值聚类算法 | 第59-60页 |
| ·广义k-均值聚类算法 | 第60-62页 |
| ·二个仿真实例 | 第62-63页 |
| ·基于广义k-均值聚类的正交最小二乘学习算法 | 第63-67页 |
| ·前三章学习算法的比较 | 第67-68页 |
| 第六章 自适应神经网络系统的持续激励条件 | 第68-80页 |
| ·预备知识 | 第68-69页 |
| ·问题的提出 | 第69-71页 |
| ·自适应神经网络系统的持续激励条件 | 第71-75页 |
| ·进一步的讨论 | 第75-77页 |
| ·仿真实例 | 第77-80页 |
| 第七章 在线混合式学习算法与非线性自适应控制 | 第80-92页 |
| ·无监督竞争学习 | 第80-82页 |
| ·在线混合式参数自适应律 | 第82-84页 |
| ·非线性自适应神经网络控制系统 | 第84-88页 |
| ·仿真实例 | 第88-92页 |
| 结束语 | 第92-94页 |
| 参考文献 | 第94-99页 |
| 致谢 | 第99页 |
