基于神经网络的机器人轨迹鲁棒跟踪控制
| 0 前言 | 第1-10页 |
| 1 绪论 | 第10-19页 |
| 1．1 引言 | 第10-11页 |
| 1．2 学习控制概述 | 第11-13页 |
| 1．2．1 关于智能控制 | 第11-12页 |
| 1．2．2 学习控制的发展过程 | 第12-13页 |
| 1．3 迭代学习控制的发展过程及研究现状 | 第13-14页 |
| 1．4 ILC在机器人中的应用 | 第14-17页 |
| 1．4．1 问题的提出 | 第15-16页 |
| 1．4．2 ILC在机器人中的研究现状 | 第16页 |
| 1．4．3 基于神经网络的ILC | 第16-17页 |
| 1．5 本文的主要工作 | 第17-19页 |
| 2 迭代学习控制 | 第19-30页 |
| 2．1 ILC的基本原理 | 第19-22页 |
| 2．2 ILC的分类 | 第22-23页 |
| 2．3 ILC中存在的问题 | 第23-26页 |
| 2．3．1 鲁棒性 | 第23-24页 |
| 2．3．2 闭环反馈学习 | 第24-25页 |
| 2．3．3 收敛性和收敛速度 | 第25-26页 |
| 2．4 ILC与其它控制方法的区别与联系 | 第26-30页 |
| 2．4．1 迭代自适应预测学习控制（IAPLC） | 第27页 |
| 2．4．2 自适应鲁棒迭代学习控制（ARILC） | 第27页 |
| 2．4．3 ILC与神经网络控制的结合 | 第27-30页 |
| 3 基于神经网络的控制 | 第30-42页 |
| 3．1 神经网络及其BP算法 | 第30-33页 |
| 3．1．1 神经网络概述 | 第30-31页 |
| 3．1．2 BP算法 | 第31-33页 |
| 3．2 基于神经网络模型的辨识 | 第33-35页 |
| 3．2．1 神经网络系统辨识的特点 | 第33页 |
| 3．2．2 非线性系统神经网络辨识的可行性 | 第33-35页 |
| 3．3 基于神经网络的控制 | 第35-42页 |
| 3．3．1 神经网络建模 | 第35-37页 |
| 3．3．2 神经网络控制 | 第37-42页 |
| 4 基于神经网络的鲁棒迭代学习控制 | 第42-51页 |
| 4．1 机器人系统 | 第42-46页 |
| 4．1．1 机器人数学模型 | 第42-43页 |
| 4．1．2 对机器人系统模型的辨识 | 第43-45页 |
| 4．1．3 跟踪控制问题描述 | 第45-46页 |
| 4．2 基于神经网络的机器人迭代学习控制 | 第46-51页 |
| 4．2．1 神经网络模型的设计 | 第46-48页 |
| 4．2．2 反馈控制器的设计 | 第48-49页 |
| 4．2．3 控制系统方案的设计 | 第49-51页 |
| 5 仿真研究 | 第51-60页 |
| 5．1 两关节机械手模型 | 第51-52页 |
| 5．2 各控制器设计及参数确定 | 第52-53页 |
| 5．3 仿真结果和分析 | 第53-60页 |
| 6 结论与展望 | 第60-63页 |
| 6．1 本文工作总结 | 第60-61页 |
| 6．2 今后工作展望 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66-67页 |
