基于BP神经网络的自适应逆控制系统
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 课题的研究背景和意义 | 第9-10页 |
| 1.2 自适应逆控制概述 | 第10-14页 |
| 1.3 自适应逆控制国内外研究现状 | 第14-16页 |
| 1.3.1 国外研究现状 | 第14页 |
| 1.3.2 国内研究现状 | 第14-16页 |
| 1.4 研究方法与技术路线 | 第16页 |
| 1.5 本论文研究的主要工作 | 第16-18页 |
| 第二章 相关技术 | 第18-34页 |
| 2.1 引言 | 第18-19页 |
| 2.2 自适应控制 | 第19-21页 |
| 2.3 自适应滤波器 | 第21-24页 |
| 2.3.1 自适应线性组合器 | 第21-23页 |
| 2.3.2 最速下降和LMS算法 | 第23-24页 |
| 2.4 自适应逆控制的几种结构 | 第24-28页 |
| 2.4.1 基本结构 | 第24-26页 |
| 2.4.2 模型参考自适应逆控制 | 第26页 |
| 2.4.3 扰动消除自适应逆控制结构 | 第26-27页 |
| 2.4.4 完整自适应逆控制结构 | 第27-28页 |
| 2.5 控制算法 | 第28-34页 |
| 2.5.1 固定学习率自适应逆控制算法 | 第28-31页 |
| 2.5.2 变学习率自适应逆控制算法 | 第31-34页 |
| 第三章 改进的神经网络BP算法 | 第34-53页 |
| 3.1 神经网络概述 | 第34-39页 |
| 3.1.1 神经网络起源及研究现状 | 第34-35页 |
| 3.1.2 神经网络控制系统研究热点 | 第35-37页 |
| 3.1.3 常用的算法及学习规则 | 第37-39页 |
| 3.2 神经网络控制系统的类型 | 第39-42页 |
| 3.2.1 神经网络专家系统控制 | 第39-40页 |
| 3.2.2 神经网络模糊控制 | 第40-41页 |
| 3.2.3 神经网络滑模控制 | 第41页 |
| 3.2.4 容错控制 | 第41页 |
| 3.2.5 神经网络与常规控制方法的结合 | 第41-42页 |
| 3.2.6 完全神经网络控制 | 第42页 |
| 3.3 改进的BP算法 | 第42-53页 |
| 3.3.1 基本BP神经网络的拓扑结构 | 第42-47页 |
| 3.3.2 动态学习率算法 | 第47页 |
| 3.3.3 改进的分层动态学习率算法 | 第47-48页 |
| 3.3.4 改进算法的实现 | 第48-50页 |
| 3.3.5 仿真实验 | 第50-53页 |
| 第四章 电动机自适应逆控制 | 第53-77页 |
| 4.1 永磁同步电动机自适应逆控制 | 第53-65页 |
| 4.1.1 永磁同步电动机的分类与结构 | 第53-55页 |
| 4.1.2 数学模型与矢量控制 | 第55-60页 |
| 4.1.3 永磁同步电动机自适应逆控制 | 第60-62页 |
| 4.1.4 MATLAB仿真及结果分析 | 第62-65页 |
| 4.2 直线电机BP神经网络逆控制系统 | 第65-74页 |
| 4.2.1 结构选择 | 第65-66页 |
| 4.2.2 NNC控制模型 | 第66-68页 |
| 4.2.3 对象模型辨识NNI结构 | 第68-69页 |
| 4.2.4 误差函数的选取 | 第69-70页 |
| 4.2.5 仿真实验 | 第70-74页 |
| 4.3 控制系统软件设计 | 第74-77页 |
| 4.3.1 系统主程序设计 | 第74页 |
| 4.3.2 中断服务程序 | 第74-75页 |
| 4.3.3 速度算法设计 | 第75-76页 |
| 4.3.4 脉宽程序设计 | 第76-77页 |
| 第五章 结论与展望 | 第77-79页 |
| 5.1 结论 | 第77页 |
| 5.2 展望 | 第77-79页 |
| 参考文献 | 第79-82页 |
| 攻读学位期间发表的论文和研究成果 | 第82-83页 |
| 致谢 | 第83页 |
