致谢 | 第4-5页 |
摘要 | 第5-6页 |
Abstract | 第6-7页 |
1 引言 | 第11-28页 |
1.1 研究背景及意义 | 第12-13页 |
1.2 自适应控制 | 第13-15页 |
1.3 多模型自适应控制研究现状 | 第15-20页 |
1.3.1 切换多模型自适应控制研究现状 | 第16-18页 |
1.3.2 加权多模型自适应控制研究现状 | 第18-20页 |
1.4 神经网络多模型自适应控制研究现状 | 第20-22页 |
1.5 空间机器人控制研究现状 | 第22-25页 |
1.6 本文研究的主要内容和创新点 | 第25-26页 |
1.7 本文结构 | 第26-28页 |
2 参数跳变系统的加权多模型自适应控制概述 | 第28-38页 |
2.1 基于加权融合的多模型自适应控制系统结构 | 第28-30页 |
2.2 模型集及控制器集的构建 | 第30-32页 |
2.2.1 模型集构建方法 | 第30-31页 |
2.2.2 控制器集的设计 | 第31-32页 |
2.3 系统性能指标设计 | 第32-37页 |
2.4 本章小结 | 第37-38页 |
3 含有自校正模型的加权多模型自适应控制 | 第38-51页 |
3.1 被控系统描述 | 第38页 |
3.2 局部控制器设计 | 第38-40页 |
3.3 基于模型误差指标函数的新型加权算法 | 第40-44页 |
3.3.1 加权算法设计 | 第40-42页 |
3.3.2 加权算法收敛性分析 | 第42-44页 |
3.4 仿真实验 | 第44-49页 |
3.5 本章小结 | 第49-51页 |
4 参数跳变系统的加权多模型自适应控制稳定性分析 | 第51-61页 |
4.1 虚拟等价系统分析 | 第51-53页 |
4.1.1 固定模型虚拟等价系统 | 第51-52页 |
4.1.2 自适应模型虚拟等价系统 | 第52-53页 |
4.2 主要定理及分析 | 第53-60页 |
4.3 本章小结 | 第60-61页 |
5 参数跳变复杂系统的加权多神经网络控制 | 第61-74页 |
5.1 基于最佳距离学习算法的RBF网络控制 | 第61-64页 |
5.2 加权多神经网络的控制系统设计 | 第64-67页 |
5.2.1 模型集和RBF网络控制器集 | 第65-66页 |
5.2.2 性能指标和加权算法 | 第66-67页 |
5.3 系统稳定性分析 | 第67-68页 |
5.4 仿真实验 | 第68-73页 |
5.5 本章小结 | 第73-74页 |
6 加权多模型自适应控制在参数跳变空间机器人中的应用 | 第74-101页 |
6.1 研究背景 | 第74-75页 |
6.2 空间机器人运动控制分析 | 第75-76页 |
6.3 空间机器人的系统方程描述 | 第76-80页 |
6.3.1 柔性关节系统描述 | 第76-77页 |
6.3.2 柔性臂杆系统描述 | 第77-80页 |
6.4 柔性关节的加权多模型动态面控制 | 第80-86页 |
6.4.1 局部系统的动态面控制器设计 | 第80-83页 |
6.4.2 加权多模型动态面控制系统设计 | 第83-84页 |
6.4.3 仿真实验 | 第84-86页 |
6.5 柔性臂杆的加权多模型边界控制 | 第86-93页 |
6.5.1 局部模型的边界控制器设计 | 第86-88页 |
6.5.2 加权多模型边界控制系统设计 | 第88-90页 |
6.5.3 仿真实验 | 第90-93页 |
6.6 柔性臂杆的加权多神经网络边界控制 | 第93-99页 |
6.6.1 基于类PD学习算法的局部RBF网络边界控制设计 | 第93-94页 |
6.6.2 加权多神经网络边界控制系统设计 | 第94-95页 |
6.6.3 仿真实验 | 第95-99页 |
6.7 本章小结 | 第99-101页 |
7 总结与展望 | 第101-103页 |
7.1 论文主要工作总结 | 第101-102页 |
7.2 后续工作展望 | 第102-103页 |
参考文献 | 第103-115页 |
作者简历及在学研究成果 | 第115-118页 |
学位论文数据集 | 第118页 |