神经网络辨识及自适应逆控制研究
| 摘要 | 第1-8页 |
| ABSTRACT | 第8-10页 |
| 第1章 绪论 | 第10-23页 |
| ·自适应逆控制简介 | 第10-17页 |
| ·自适应逆控制的新发展 | 第17-21页 |
| ·基于神经网络逆模型的自适应逆控制系统 | 第17-19页 |
| ·基于模糊逆模型的自适应逆控制系统 | 第19-21页 |
| ·基于预测逆模型的自适应逆控制系统 | 第21页 |
| ·课题的目的及意义 | 第21-22页 |
| ·论文的主要工作和结构安排 | 第22-23页 |
| 第2章 基于神经网络逆模型的自适应逆控制系统 | 第23-34页 |
| ·引言 | 第23页 |
| ·系统可逆性 | 第23-24页 |
| ·神经网络建模方法 | 第24-27页 |
| ·模型的选择 | 第24-25页 |
| ·输入信号的选择 | 第25页 |
| ·误差准则的选择 | 第25-27页 |
| ·神经网络建模 | 第27-31页 |
| ·正向建模 | 第28页 |
| ·逆向建模 | 第28-31页 |
| ·基于神经网络逆模型的自适应逆控制系统 | 第31-32页 |
| ·神经网络自适应逆控制原理 | 第31-32页 |
| ·系统的稳定性分析 | 第32页 |
| ·本章小结 | 第32-34页 |
| 第3章 一种改进的动态聚类非线性系统快速辨识算法 | 第34-44页 |
| ·引言 | 第34页 |
| ·RBF 网络 | 第34-35页 |
| ·几种常用的确定基函数中心的方法 | 第35-37页 |
| ·K-均值聚类法 | 第36页 |
| ·梯度下降法 | 第36页 |
| ·正交最小二乘法 | 第36页 |
| ·动态聚类法 | 第36-37页 |
| ·改进的动态聚类法 | 第37-39页 |
| ·确定距离门限值 | 第37-38页 |
| ·确定基函数的扩张常数 | 第38页 |
| ·最小二乘法确定输出层权值 | 第38-39页 |
| ·改进动态聚类算法的步骤 | 第39页 |
| ·仿真研究 | 第39-43页 |
| ·仿真实例1 | 第39-41页 |
| ·仿真实例2 | 第41-43页 |
| ·本章小结 | 第43-44页 |
| 第4章 基于神经网络逆模型的自适应逆控制系统研究 | 第44-57页 |
| ·引言 | 第44页 |
| ·基于神经网络逆模型的直接自适应逆控制 | 第44-47页 |
| ·神经网络离线逆建模 | 第44-46页 |
| ·基于神经网络逆模型的直接自适应逆控制 | 第46-47页 |
| ·自适应逆噪声消除系统 | 第47-48页 |
| ·RBF 与BP 网络在逆控制系统中的比较研究 | 第48-50页 |
| ·自适应逆控制在轧辊偏心中的应用 | 第50-54页 |
| ·轧机液压压下控制系统 | 第50-52页 |
| ·基于BP 网络的自适应逆控制系统 | 第52-53页 |
| ·与PID 控制方法的比较 | 第53-54页 |
| ·基于BP 网络逆模型的非线性自适应逆控制 | 第54-56页 |
| ·本章小结 | 第56-57页 |
| 结论 | 第57-58页 |
| 参考文献 | 第58-64页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第64-65页 |
| 致谢 | 第65-66页 |
| 作者简介 | 第66页 |
