| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-7页 |
| 1 绪论 | 第11-29页 |
| 1.1 选题背景与研究意义 | 第11-12页 |
| 1.2 微波能应用原理 | 第12-18页 |
| 1.2.1 微波加热原理及特点 | 第12-13页 |
| 1.2.2 微波功率计算研究 | 第13-15页 |
| 1.2.3 微波加热系统结构 | 第15-16页 |
| 1.2.4 微波加热存在的问题 | 第16-18页 |
| 1.3 微波加热过程控制研究进展 | 第18-20页 |
| 1.3.1 固定对象算法设计 | 第18-19页 |
| 1.3.2 基于PID控制算法设计 | 第19页 |
| 1.3.3 基于模型的控制算法设计 | 第19页 |
| 1.3.4 神经网络与专家系统控制算法 | 第19-20页 |
| 1.3.5 神经网络辨识研究进展 | 第20页 |
| 1.4 基于神经网络的过程辨识与控制算法研究 | 第20-26页 |
| 1.4.1 基于神经网络的系统辨识 | 第20-22页 |
| 1.4.2 基于神经网络的滑模控制算法 | 第22-23页 |
| 1.4.3 基于神经网络的预测控制算法 | 第23-26页 |
| 1.5 本文研究内容与结构安排 | 第26-29页 |
| 1.5.1 本文主要研究内容 | 第26-28页 |
| 1.5.2 本文章节安排 | 第28-29页 |
| 2 基于布谷鸟搜索算法与滑模神经网络的微波加热过程温度场均匀性研究 | 第29-49页 |
| 2.1 引言 | 第29页 |
| 2.2 两输入微波源下的微波功率分布计算 | 第29-32页 |
| 2.3 媒质温度场计算 | 第32-33页 |
| 2.4 微波加热过程热均匀性控制算法设计 | 第33-37页 |
| 2.4.1 滑模神经网络控制器设计 | 第34-35页 |
| 2.4.2 布谷鸟搜索算法 | 第35-37页 |
| 2.5 仿真结果分析 | 第37-47页 |
| 2.5.1 微波源输入功率及相位无误差分析 | 第39-42页 |
| 2.5.2 与遗传算法的比较分析 | 第42-44页 |
| 2.5.3 对加热过程增加干扰误差 | 第44-46页 |
| 2.5.4 长采样周期分析 | 第46-47页 |
| 2.6 本章小结 | 第47-49页 |
| 3 基于RSFQNN的微波加热过程系统辨识研究 | 第49-63页 |
| 3.1 引言 | 第49页 |
| 3.2 递归自进化模糊量子神经网络结构 | 第49-51页 |
| 3.3 递归自进化模糊量子神经网络学习过程 | 第51-55页 |
| 3.3.1 RSFQNN结构学习过程 | 第52页 |
| 3.3.2 RSFQNN参数学习过程 | 第52-54页 |
| 3.3.3 RSFQNN学习速率分析 | 第54-55页 |
| 3.4 系统辨识结果分析 | 第55-59页 |
| 3.4.1 动态系统辨识 | 第55-58页 |
| 3.4.2 混沌序列预测 | 第58-59页 |
| 3.5 RSFQNN在微波加热过程中的应用 | 第59-62页 |
| 3.5.1 微波加热水过程系统辨识 | 第59-61页 |
| 3.5.2 微波褐煤干燥过程系统辨识 | 第61-62页 |
| 3.6 本章小结 | 第62-63页 |
| 4 微波加热过程先验知识与预测控制算法研究 | 第63-77页 |
| 4.1 引言 | 第63页 |
| 4.2 Maxwell方程与Lambert定律微波功率计算分析 | 第63-67页 |
| 4.2.1 Maxwell方程微波功率计算 | 第63-65页 |
| 4.2.2 Lambert定律微波功率计算 | 第65页 |
| 4.2.3 Maxwell方程和Lambert定律比较分析 | 第65-67页 |
| 4.3 Lambert定律结合实时温度信息的微波功率分布计算 | 第67-71页 |
| 4.3.1 微波功率分布比较 | 第67-69页 |
| 4.3.2 温度场比较分析 | 第69-71页 |
| 4.4 预测控制算法设计 | 第71-75页 |
| 4.4.1 模型预测控制分析 | 第71-72页 |
| 4.4.2 仿真结果分析 | 第72-75页 |
| 4.5 本章小结 | 第75-77页 |
| 5 基于滑模径向基神经网络的微波加热过程控制算法研究 | 第77-99页 |
| 5.1 引言 | 第77-78页 |
| 5.2 微波单变量输入控制算法设计 | 第78-86页 |
| 5.2.1 固定学习速率滑模径向基神经网络控制算法设计 | 第78-79页 |
| 5.2.2 固定学习速率滑模径向基神经网络算法控制结果分析 | 第79-82页 |
| 5.2.3 自适应学习速率滑模径向基神经网络控制算法设计 | 第82-85页 |
| 5.2.4 自适应学习速率滑模径向基神经网络算法控制结果分析 | 第85-86页 |
| 5.3 单微波输入下的实际控制结果分析 | 第86-92页 |
| 5.3.1 微波加热系统介绍 | 第86-88页 |
| 5.3.2 固定学习速率滑模径向基神经网络算法实际控制结果分析 | 第88-91页 |
| 5.3.3 自适应学习速率滑模径向基神经网络算法实际控制结果分析 | 第91-92页 |
| 5.4 微波加热过程多变量控制分析 | 第92-97页 |
| 5.4.1 微波结合热对流输入下多变量控制算法设计 | 第92-93页 |
| 5.4.2 多变量加热过程仿真结果分析 | 第93-97页 |
| 5.5 本章小结 | 第97-99页 |
| 6 基于RSFNN的微波加热过程多目标预测优化研究 | 第99-117页 |
| 6.1 引言 | 第99-100页 |
| 6.2 递归自进化模糊神经网络系统辨识 | 第100-103页 |
| 6.2.1 递归自进化模糊神经网络结构 | 第100-101页 |
| 6.2.2 递归自进化模糊神经网络学习方法 | 第101-103页 |
| 6.3 递归自进化模糊神经网络多目标预测优化控制算法设计 | 第103-106页 |
| 6.3.1 控制输入计算 | 第103-104页 |
| 6.3.2 算法稳定性分析 | 第104-106页 |
| 6.4 递归自进化模糊神经网络多目标预测优化控制算法仿真分析 | 第106-111页 |
| 6.4.1 微波干燥过程仿真实现 | 第106-108页 |
| 6.4.2 递归自进化模糊神经网络多目标预测优化控制算法控制结果分析 | 第108-111页 |
| 6.5 递归自进化模糊神经网络多目标预测优化控制算法实验验证 | 第111-114页 |
| 6.6 本章小结 | 第114-117页 |
| 7 总结与展望 | 第117-121页 |
| 7.1 本文总结 | 第117-118页 |
| 7.2 研究展望 | 第118-121页 |
| 致谢 | 第121-123页 |
| 参考文献 | 第123-135页 |
| 附录 | 第135页 |
| A. 作者在攻读学位期间发表的论文目录 | 第135页 |
| B. 作者在攻读博士学位期间参加的科研项目 | 第135页 |
