基于神经网络参数优化的PID控制研究
| 中文摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 引言 | 第9-15页 |
| ·问题的提出 | 第9-11页 |
| ·国内外同类问题研究现状 | 第11-13页 |
| ·本文研究内容及方法 | 第13-15页 |
| 第二章 PID参数整定方法 | 第15-25页 |
| ·模拟PID控制器 | 第15-16页 |
| ·数字PID控制算法 | 第16-18页 |
| ·位置式 PID 控制算法 | 第16-17页 |
| ·增量式PID控制算法 | 第17-18页 |
| ·传统PID参数整定方法 | 第18-23页 |
| ·ZN整定方法 | 第18-19页 |
| ·幅值和相角裕度方法 | 第19-20页 |
| ·IMC方法 | 第20-22页 |
| ·ISTE最优设定方法 | 第22-23页 |
| ·PID控制的优劣 | 第23-25页 |
| 第三章 神经网络理论基础 | 第25-32页 |
| ·神经元数学模型 | 第25-26页 |
| ·人工神经网络模型结构 | 第26-28页 |
| ·前馈网络 | 第26-27页 |
| ·反馈网络 | 第27页 |
| ·混合型网络 | 第27-28页 |
| ·相互结合型网络 | 第28页 |
| ·神经网络的学习理论 | 第28-32页 |
| ·学习方式 | 第29页 |
| ·学习算法 | 第29-32页 |
| 第四章 BP神经网络 | 第32-42页 |
| ·BP神经网络 | 第32-36页 |
| ·BP神经网络概述 | 第32-33页 |
| ·BP算法流程 | 第33-35页 |
| ·BP算法计算步骤 | 第35-36页 |
| ·BP算法缺点分析 | 第36-39页 |
| ·BP神经网络参数与结构设计 | 第39-42页 |
| ·初始权值的选择 | 第39-40页 |
| ·学习率η的选择 | 第40页 |
| ·隐含层数 | 第40页 |
| ·隐含层节点数 | 第40-42页 |
| 第五章 BP算法改进及其分析 | 第42-61页 |
| ·BP算法改进方法及其分析 | 第42-47页 |
| ·动量方法 | 第42-43页 |
| ·自适应调节学习率方法 | 第43-44页 |
| ·共轭梯度法 | 第44-45页 |
| ·牛顿法 | 第45-47页 |
| ·LM算法分析及其改进 | 第47-55页 |
| ·LM算法 | 第47-48页 |
| ·LM算法分析 | 第48-49页 |
| ·LM算法改进的研究现状 | 第49-50页 |
| ·LM算法改进 | 第50-55页 |
| ·三种改进LM算法的实现步骤 | 第55-56页 |
| ·共轭向量法改进的LM算法的实现步骤 | 第55页 |
| ·LU分解法改进的LM算法的实现步骤 | 第55-56页 |
| ·逆矩阵法改进的LM算法的实现步骤 | 第56页 |
| ·改进LM算法性能对比研究 | 第56-61页 |
| ·改进LM算法性能分析 | 第56-57页 |
| ·改进LM算法仿真实例比较一 | 第57-58页 |
| ·改进LM算法仿真实例比较二 | 第58-61页 |
| 第六章 神经网络PID控制器 | 第61-69页 |
| ·基于BP神经网络的PID控制器 | 第61-67页 |
| ·基于BP神经网络的PID控制器结构 | 第61-62页 |
| ·基于BP神经网络的PID控制算法 | 第62-65页 |
| ·仿真实例 | 第65-67页 |
| ·基于改进BP神经网络的PID控制器算法 | 第67-69页 |
| ·采用LM算法的BP神经网络PID控制器 | 第67页 |
| ·采用改进LM算法的BP神经网络PID控制器 | 第67-69页 |
| 第七章 仿真研究 | 第69-81页 |
| ·仿真模型 | 第69-71页 |
| ·仿真研究 | 第71-79页 |
| ·状态一 | 第71-75页 |
| ·状态二 | 第75-79页 |
| ·仿真结论 | 第79-81页 |
| 结论 | 第81-82页 |
| 参考文献 | 第82-86页 |
| 攻读硕士期间发表的论文 | 第86-87页 |
| 致谢 | 第87页 |
