| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 第一章 绪论 | 第8-11页 |
| §1-1 课题的背景和意义 | 第8页 |
| §1-2 粒子群优化算法的研究现状 | 第8-10页 |
| §1-3 本文的主要内容和结构 | 第10-11页 |
| 第二章 粒子群优化算法 | 第11-17页 |
| §2-1 粒子群优化算法描述 | 第11页 |
| §2-2 粒子群优化算法原理 | 第11-13页 |
| 2-2-1 粒子群优化算法的数学描述 | 第11-12页 |
| 2-2-2 算法的行为参数设置 | 第12-13页 |
| 2-2-3 粒子群优化算法的基本步骤 | 第13页 |
| §2-3 几种典型的改进算法 | 第13-15页 |
| 2-3-1 带惯性权重的粒子群优化算法 | 第13页 |
| 2-3-2 引入收缩因子的粒子群优化算法 | 第13-14页 |
| 2-3-3 具有时变加速因子的自组织粒子群优化算法 | 第14页 |
| 2-3-4 中值粒子群优化算法 | 第14-15页 |
| §2-4 粒子群优化算法的分析 | 第15-17页 |
| 2-4-1 惯性因子和收缩因子的作用 | 第15页 |
| 2-4-2 算法的收敛性分析 | 第15-17页 |
| 第三章 神经网络在非线性系统预测控制中的应用 | 第17-27页 |
| §3-1 人工神经网络简介 | 第17-19页 |
| 3-1-1 人工神经网络的发展 | 第17页 |
| 3-1-2 人工神经网络的特性及其应用领域 | 第17-18页 |
| 3-1-3 人工神经网络的分类及学习 | 第18-19页 |
| §3-2 RBF 神经网络 | 第19-21页 |
| 3-2-1 RBF 神经网络模型 | 第19-20页 |
| 3-2-2 RBF 神经网络训练算法 | 第20-21页 |
| §3-3 预测控制简介 | 第21-23页 |
| 3-3-1 预测控制的发展历史 | 第21-22页 |
| 3-3-2 预测控制的基本原理 | 第22-23页 |
| §3-4 神经网络在非线性系统预测控制中的应用 | 第23-27页 |
| 3-4-1 神经网络预测模型的研究 | 第24-27页 |
| 第四章 基于改进的粒子群优化算法的神经网络模型的建立 | 第27-33页 |
| §4-1 改进背景 | 第27页 |
| §4-2 混沌粒子群优化算法 | 第27-28页 |
| 4-2-1 混沌及其特性 | 第27-28页 |
| 4-2-2 算法的基本思想及步骤 | 第28页 |
| §4-3 自适应混沌粒子群优化算法 | 第28-30页 |
| 4-3-1 惯性权重自适应调节的粒子群优化算法 | 第28-29页 |
| 4-3-2 自适应混沌粒子群优化算法步骤 | 第29-30页 |
| 4-3-3 算法的测试结果分析 | 第30页 |
| §4-4 基于自适应混沌粒子群优化的RBF 神经网络学习算法 | 第30-33页 |
| 4-4-1 改进的粒子群优化算法对RBF 网络的优化 | 第30-31页 |
| 4-4-2 仿真研究 | 第31-33页 |
| 第五章 基于 ACPSO-RBF 的预测控制算法的应用 | 第33-41页 |
| §5-1 基于ACPSO-RBF 的预测控制算法的实现 | 第33-37页 |
| 5-1-1 RBF 神经网络作为控制器 | 第33-35页 |
| 5-1-2 仿真研究 | 第35-37页 |
| §5-2 基于ACPSO-RBF 的预测控制算法在水箱过程控制装置中的应用 | 第37-41页 |
| 5-2-1 水箱过程控制装置的结构与组成 | 第37页 |
| 5-2-2 水箱过程控制装置的系统组成 | 第37-38页 |
| 5-2-3 混合仿真系统的实现原理 | 第38-39页 |
| 5-2-4 实验验证 | 第39-41页 |
| 第六章 总结与展望 | 第41-43页 |
| §6-1 论文的主要研究成果 | 第41-42页 |
| §6-2 工作展望 | 第42-43页 |
| 参考文献 | 第43-46页 |
| 致谢 | 第46-47页 |
| 攻读学位期间所取得的相关科研成果 | 第47页 |
