| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·自适应控制概述 | 第7-8页 |
| ·无模型直接自适应控制 | 第8-10页 |
| ·随机逼近算法 | 第10-11页 |
| ·本论文的主要内容及工作安排 | 第11-13页 |
| 第二章 随机逼近算法 | 第13-37页 |
| ·RM 随机逼近算法与KW 随机逼近算法 | 第13-16页 |
| ·同时扰动随机逼近（SPSA）算法 | 第16-26页 |
| ·标准SPSA 算法的具体形式 | 第16-17页 |
| ·估计梯度和真实梯度的关系 | 第17-19页 |
| ·算法的基本假设及收敛性分析 | 第19-22页 |
| ·渐近正态性分析 | 第22-23页 |
| ·实际应用及注意事项 | 第23-26页 |
| ·一些关于SPSA 的扩充 | 第26-27页 |
| ·自适应同时扰动随机逼近算法（Adaptive SPSA） | 第27-32页 |
| ·自适应同时扰动算法的基本形式 | 第27-28页 |
| ·收敛性及渐近性分析 | 第28-31页 |
| ·Adaptive SPSA 算法的应用及注意事项 | 第31-32页 |
| ·修正的自适应同时扰动随机逼近算法 | 第32-37页 |
| ·一种新的正定映射f_k 及矩阵条件数和ASPSA 的关系 | 第33-34页 |
| ·MASPSA 算法的渐近性分析 | 第34-37页 |
| 第三章 迭代反馈调节和直接自适应神经网络控制及其改进形式 | 第37-49页 |
| ·前言 | 第37页 |
| ·迭代反馈调节（iterative feedback tuning，IFT） | 第37-41页 |
| ·建立目标函数 | 第37-38页 |
| ·目标函数最小化 | 第38-40页 |
| ·梯度的估计及搜索方向的修正 | 第40-41页 |
| ·直接自适应神经网络控制（DA-NNC） | 第41-47页 |
| ·函数逼近器（FA）作为控制器 | 第41-42页 |
| ·FA 的参数估计 | 第42-43页 |
| ·收敛性分析 | 第43-45页 |
| ·针对DA-NNC 的一些改进形式 | 第45页 |
| ·补偿器混合控制 | 第45-47页 |
| ·本章小结 | 第47-49页 |
| 第四章 虚拟参考直接自适应控制 | 第49-59页 |
| ·虚拟参考概念及方法结构 | 第49-50页 |
| ·滤波器L(z) | 第50-52页 |
| ·数据存在噪声干扰 | 第52-53页 |
| ·AR 参数模型谱估计 | 第53-57页 |
| ·概述 | 第53-54页 |
| ·参数模型法谱估计 | 第54-57页 |
| ·加入滤波器的虚拟参考自适应控制 | 第57-59页 |
| 第五章 虚拟参考模型自适应控制仿真实验 | 第59-63页 |
| 参考文献 | 第63-68页 |
| 硕士期间发表论文 | 第68-69页 |
| 致谢 | 第69页 |
