中文摘要 | 第1-3页 |
Abstract | 第3-5页 |
目录 | 第5-7页 |
第一章 绪论 | 第7-16页 |
1.1 自动控制理论的发展历史、现状及趋势 | 第7-10页 |
1.1.1 自动控制理论的发展过程 | 第7-8页 |
1.1.2 智能控制的产生和功能特点 | 第8-9页 |
1.1.3 智能控制的现状及其发展趋势 | 第9-10页 |
1.2 模糊控制技术的现状和融合发展 | 第10-11页 |
1.3 人工神经网络控制技术的发展和现状 | 第11-14页 |
1.4 论文选题的背景及主要内容 | 第14-16页 |
第二章 免疫理论及模糊控制器的原理及其设计 | 第16-26页 |
2.1 生物免疫机理介绍 | 第16页 |
2.2 生物免疫基本控制原理 | 第16-17页 |
2.3 模糊控制理论的基本原理 | 第17-25页 |
2.3.1 模糊控制器系统设计 | 第19页 |
2.3.2 尺度变换,模糊化和去模糊化方法 | 第19-21页 |
2.3.3 模糊控制规则的设计 | 第21-23页 |
2.3.3.1 选择语言变量并定义模糊子集 | 第21-22页 |
2.3.3.2 建立模糊控制器的控制规则 | 第22-23页 |
2.3.4 模糊参数的选择 | 第23-25页 |
2.4 免疫模糊PID控制器设计基本原理 | 第25-26页 |
第三章 径向基神经网络控制器原理及其设计方案 | 第26-47页 |
3.1 神经网络的基本原理 | 第26-31页 |
3.1.1 人工神经元模型 | 第26-27页 |
3.1.2 神经元的传递函数 | 第27-28页 |
3.1.3 神经网络的基本类型 | 第28-31页 |
3.1.3.1 神经网络的基本特性和结构 | 第28-29页 |
3.1.3.2 神经网络的主要学习算法 | 第29-30页 |
3.1.3.3 神经网络的典型模型 | 第30-31页 |
3.2 径向基神经网络 | 第31-37页 |
3.2.1 径向基神经网络基本结构 | 第31-33页 |
3.2.2 RBF神经网络的学习算法 | 第33-36页 |
3.2.2.1 RBF神经网络的基本学习算法 | 第33-34页 |
3.2.2.2 改进的RBF网络学习算法 | 第34-35页 |
3.2.2.3 RBF网络的推广(泛化)能力 | 第35-36页 |
3.2.3 径向基神经网络设计 | 第36-37页 |
3.2.3.1 径向基神经网络设计 | 第36-37页 |
3.2.3.2 网络参量收敛于最小点的性质 | 第37页 |
3.3 模型预测控制 | 第37-47页 |
3.3.1 预测控制技术的发展历程 | 第37-39页 |
3.3.2 模型预测控制基本原理 | 第39-42页 |
3.3.2.1 模型预测控制分类及其基本特征 | 第39-41页 |
3.3.2.2 模型预测控制基本步骤 | 第41-42页 |
3.3.3 利用径向基神经网络进行模型预测控制 | 第42-47页 |
3.3.3.1 RBFNN辨识网络设计 | 第42-44页 |
3.3.3.2 RBFNN预测控制网络设计 | 第44-45页 |
3.3.3.3 控制算法的步骤 | 第45-47页 |
第四章 智能控制在原料场配料系统中的应用 | 第47-63页 |
4.1 智能配料控制系统 | 第47-53页 |
4.1.1 三钢料场称重配料工艺简介 | 第47页 |
4.1.2 原料场计算机配料控制系统结构简介 | 第47-53页 |
4.1.2.1 系统的软件与硬件构成 | 第47-50页 |
4.1.2.2 S7-400系统现场多种通讯模式网络结构 | 第50-52页 |
4.1.2.3 SIEMENS STEP7与WINCC程序设计结构 | 第52-53页 |
4.2 智能控制在智能配料控制系统中的应用 | 第53-63页 |
4.2.1 备用料仓圆盘的下料控制 | 第55-59页 |
4.2.1.1 免疫模糊PID控制方案 | 第56-57页 |
4.2.1.2 仿真实验 | 第57-58页 |
4.2.1.3 实际控制效果分析 | 第58-59页 |
4.2.2 钢渣料仓圆盘的下料控制 | 第59-63页 |
4.2.2.1 基于RBFNN的MPC控制方案 | 第59-60页 |
4.2.2.2 仿真实验 | 第60-61页 |
4.2.2.3 实际控制效果分析 | 第61-63页 |
结束语 | 第63-64页 |
参考文献 | 第64-67页 |
致谢 | 第67-68页 |
个人简历 | 第68页 |