| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 概述 | 第9-14页 |
| 1.1 引言 | 第9-10页 |
| 1.2 卡尔曼滤波结合神经网络在汽车领域的运用 | 第10-11页 |
| 1.3 国内外研究现状 | 第11页 |
| 1.4 课题的意义及内容 | 第11-12页 |
| 1.5 论文的结构及安排 | 第12-14页 |
| 第2章 卡尔曼滤波 | 第14-29页 |
| 2.1 经典控制理论 | 第14-18页 |
| 2.1.1 PID控制原理 | 第14-15页 |
| 2.1.2 PID算法中各个参数的作用 | 第15-16页 |
| 2.1.3 PID算法的运用 | 第16-18页 |
| 2.1.4 PID算法优缺点分析 | 第18页 |
| 2.2 卡尔曼滤波 | 第18-25页 |
| 2.2.1 卡尔曼滤波的背景 | 第18页 |
| 2.2.2 卡尔曼滤波的原理 | 第18-21页 |
| 2.2.3 卡尔曼仿真于分析 | 第21-23页 |
| 2.2.4 卡尔曼和传统PID算法仿真和分析 | 第23-25页 |
| 2.3 新息卡尔曼滤波 | 第25-28页 |
| 2.3.1 新息卡尔曼滤波的背景 | 第25页 |
| 2.3.2 新息卡尔曼滤波的原理 | 第25-27页 |
| 2.3.3 新息卡尔曼滤波和传统PID算法的仿真 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 神经网络系统 | 第29-42页 |
| 3.1 神经网络简介 | 第29-34页 |
| 3.1.1 RBF 神经网络特点和结构模型 | 第29-32页 |
| 3.1.2 神经网络学习规则 | 第32-34页 |
| 3.2 神经网络系统辨识 | 第34-37页 |
| 3.2.1 系统识别的概念 | 第34-36页 |
| 3.2.2 系统识别的流程 | 第36-37页 |
| 3.2.3 系统识别的特点 | 第37页 |
| 3.3 RBF神经网络系统识别仿真与分析 | 第37-40页 |
| 3.4 本章小结 | 第40-42页 |
| 第4章 自适应卡尔曼滤波的改进 | 第42-50页 |
| 4.1 卡尔曼滤波的局限性 | 第42-43页 |
| 4.2 卡尔曼滤波结合神经网络模式识别仿真与分析 | 第43-47页 |
| 4.3 新息卡尔曼滤波结合神经网络模式识别仿真与分析 | 第47-48页 |
| 4.4 本章小结 | 第48-50页 |
| 第5章 汽车控制Simulink模型和硬件 | 第50-67页 |
| 5.1 | 第51-57页 |
| 5.1.1 Simulink 模型结构 | 第51-53页 |
| 5.1.2 扭矩模式和转速模式 | 第53-54页 |
| 5.1.3 驾驶员模型 | 第54-55页 |
| 5.1.4 汽车模型 | 第55-57页 |
| 5.2 汽车控制硬件 | 第57-62页 |
| 5.2.1 系统结构 | 第57-59页 |
| 5.2.2 发动机燃油系统 | 第59-60页 |
| 5.2.3 发动机水路系统 | 第60-61页 |
| 5.2.4 发动机油门执行器 | 第61-62页 |
| 5.3 汽车模型Simulink仿真 | 第62-65页 |
| 5.3.1 PID控制仿真与分析 | 第62-63页 |
| 5.3.2 卡尔曼系统结合神经网络控制仿真与分析 | 第63-65页 |
| 5.4 汽车模型硬件平台验证 | 第65-66页 |
| 5.5 本章小结 | 第66-67页 |
| 第6章 总结与展望 | 第67-68页 |
| 参考文献 | 第68-70页 |
| 致谢 | 第70页 |