联合粉磨系统磨机负荷辨识方法研究
摘要 | 第1-8页 |
Abstract | 第8-10页 |
第一章 绪论 | 第10-16页 |
·课题背景及意义 | 第10-12页 |
·联合粉磨系统简介 | 第10-11页 |
·研究意义 | 第11-12页 |
·磨机负荷辨识的发展现状 | 第12-14页 |
·本文研究内容及方法 | 第14-15页 |
·本章小结 | 第15-16页 |
第二章 磨机负荷辨识原理 | 第16-28页 |
·四种递推最小二乘算法 | 第16-19页 |
·递推最小二乘法 | 第16-17页 |
·遗忘因子递推最小二乘法 | 第17-18页 |
·限定记忆递推最小二乘法 | 第18页 |
·偏差补偿递推最小二乘法 | 第18-19页 |
·RBF神经网络 | 第19-23页 |
·径向基函数与插值问题 | 第19-20页 |
·正则化网络 | 第20-21页 |
·RBF神经网络 | 第21-22页 |
·RBF网络学习算法 | 第22-23页 |
·T-S模糊模型 | 第23-27页 |
·模型结构辨识 | 第24-25页 |
·模型参数辨识 | 第25-27页 |
·本章小结 | 第27-28页 |
第三章 基于四种递推最小二乘算法的磨机负荷辨识 | 第28-44页 |
·关键变量分析 | 第28-31页 |
·数据均值处理 | 第31-32页 |
·四种递推最小二乘建模 | 第32-40页 |
·基本递推最小二乘建模 | 第32-35页 |
·遗忘因子递推最小二乘建模 | 第35-37页 |
·限定记忆递推最小二乘建模 | 第37-39页 |
·偏差补偿递推最小二乘建模 | 第39-40页 |
·仿真结果分析 | 第40-41页 |
·本章小结 | 第41-44页 |
第四章 基于RBF神经网络的磨机负荷辨识 | 第44-54页 |
·RBF神经网络模型 | 第44页 |
·径向基函数的选取 | 第44-45页 |
·RBF网络的训练 | 第45-46页 |
·仿真结果 | 第46-49页 |
·模型验证 | 第49-51页 |
·三种RBFNN模型的对比分析 | 第51-53页 |
·本章小结 | 第53-54页 |
第五章 基于T-S模糊模型的磨机负荷辨识 | 第54-62页 |
·T-S模糊模型 | 第54页 |
·模型的结构辨识 | 第54-56页 |
·输入变量的选取 | 第54-55页 |
·输入空间的划分 | 第55页 |
·隶属度函数的选取 | 第55-56页 |
·模型参数辨识 | 第56页 |
·仿真结果 | 第56-58页 |
·三类建模方法的对比分析 | 第58-60页 |
·本章小结 | 第60-62页 |
第六章 结论与展望 | 第62-64页 |
·结论 | 第62页 |
·展望 | 第62-64页 |
参考文献 | 第64-68页 |
致谢 | 第68-70页 |
附录 | 第70-76页 |