| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-19页 |
| ·课题背景及选题意义 | 第8页 |
| ·人工神经网络的概念 | 第8-9页 |
| ·人工神经网络的发展 | 第9-11页 |
| ·人工神经网络的特性以及存在的问题 | 第11-12页 |
| ·人工神经网络的学习方式 | 第12页 |
| ·常用的神经网络模型 | 第12-15页 |
| ·分数阶微积分与神经网络 | 第15-17页 |
| ·课题研究的主要内容 | 第17-18页 |
| 小结 | 第18-19页 |
| 第二章 分数阶微积分理论 | 第19-30页 |
| ·分数阶微积分理论的发展 | 第19-20页 |
| ·分数阶微积分的定义 | 第20-21页 |
| ·Grünwald-Letnikoff 定义 | 第20页 |
| ·Riemann-Liouville 定义 | 第20-21页 |
| ·Caputo 定义 | 第21页 |
| ·分数阶微积分的简单性质 | 第21-22页 |
| ·分数阶导数的逼近方法 | 第22-26页 |
| ·G-L 近似 | 第23页 |
| ·Crone 近似 | 第23-25页 |
| ·Matsuda 近似 | 第25-26页 |
| ·Carlson 近似 | 第26页 |
| ·分数阶微分方程的求解方法 | 第26-27页 |
| ·预估—校正解法 | 第26-27页 |
| ·时频域转换算法 | 第27页 |
| ·分数阶系统的稳定性 | 第27-29页 |
| 小结 | 第29-30页 |
| 第三章 BP 神经网络 | 第30-43页 |
| ·BP 神经网络的发展 | 第30页 |
| ·BP 神经网络的基本算法 | 第30-34页 |
| ·BP 网络的优势与局限 | 第34-35页 |
| ·BP 神经网络的改进 | 第35-38页 |
| ·训练算法的改进 | 第35-37页 |
| ·网络结构的确定 | 第37页 |
| ·学习速率的调整 | 第37-38页 |
| ·节点函数的选取 | 第38页 |
| ·基于分数阶微分的 BP 网络算法 | 第38-42页 |
| ·基于分数阶 G-L 定义的 BP 算法 | 第39-40页 |
| ·基于分数阶 Caputo 定义的 BP 算法 | 第40-42页 |
| 小结 | 第42-43页 |
| 第四章 分数阶 BP 神经网络的应用 | 第43-56页 |
| ·基于 Sigmoid 函数的分数阶 BP 神经网络 | 第43-49页 |
| ·Sigmoid 函数的定义及其基本性质 | 第43页 |
| ·基于 Sigmoid 函数的分数阶 BP 网络的训练 | 第43-45页 |
| ·变阶次迭代学习法 | 第45-49页 |
| ·基于 Mittag-Leffler 函数的分数阶 BP 网络 | 第49-55页 |
| ·Mittag-Leffler 函数的发展及定义 | 第49-50页 |
| ·Mittag-Leffler 函数的特殊函数 | 第50-51页 |
| ·Mittag-Leffler 函数的基本性质 | 第51-52页 |
| ·基于 Mittag-Leffler 函数的分数阶 BP 网络的训练 | 第52-55页 |
| 小结 | 第55-56页 |
| 第五章 全拖挂车的滞后同步控制 | 第56-70页 |
| ·神经网络控制结构 | 第56-58页 |
| ·神经网络逆控制(NNI) | 第56-57页 |
| ·神经网络内模控制 | 第57页 |
| ·神经网络自适应控制 | 第57-58页 |
| ·全拖挂车的转向控制模型 | 第58-62页 |
| ·全拖挂车的运动方程 | 第58-59页 |
| ·挂车前轮转向控制模型 | 第59-61页 |
| ·挂车后轮转向控制模型 | 第61-62页 |
| ·全拖挂车的滞后同步控制 | 第62-67页 |
| ·挂车转角的补偿控制 | 第67-69页 |
| 小结 | 第69-70页 |
| 第六章 结论与展望 | 第70-72页 |
| 参考文献 | 第72-77页 |
| 附录 | 第77页 |
