| 摘要 | 第9-10页 |
| ABSTRACT | 第10-11页 |
| 第1章 绪论 | 第14-26页 |
| 1.1 课题研究背景和意义 | 第14-17页 |
| 1.1.1 研究的背景及意义 | 第14-16页 |
| 1.1.2 多模型自适应控制系统简介 | 第16-17页 |
| 1.2 多模型控制方法概述 | 第17-21页 |
| 1.2.1 多模型库的建立 | 第17-19页 |
| 1.2.2 模型切换策略 | 第19-20页 |
| 1.2.3 多模型控制系统的稳定性 | 第20-21页 |
| 1.3 多模型自适应控制 | 第21-24页 |
| 1.3.1 多模型自适应控制方法的一般描述 | 第21页 |
| 1.3.2 多模型自适应控制算法 | 第21-24页 |
| 1.3.3 现有研究方法的不足 | 第24页 |
| 1.4 本文的主要内容及章节安排 | 第24-26页 |
| 第2章 预备知识 | 第26-31页 |
| 2.1 递推最小二乘算法 | 第26-28页 |
| 2.2 定义和定理 | 第28-30页 |
| 2.2.1 函数全局有界性 | 第28-29页 |
| 2.2.2 范数的基本概念 | 第29页 |
| 2.2.3 紧集定义 | 第29页 |
| 2.2.4 必然等价原理 | 第29-30页 |
| 2.3 信号增长率 | 第30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 基于神经网络的非线性系统多模型自适应控制 | 第31-46页 |
| 3.1 引言 | 第31-32页 |
| 3.2 问题描述 | 第32-33页 |
| 3.3 基于BP神经网络的非线性系统辨识 | 第33-36页 |
| 3.3.1 BP神经网络 | 第33页 |
| 3.3.2 非线性系统辨识 | 第33-36页 |
| 3.4 基于RBF神经网络的非线性系统辨识 | 第36-39页 |
| 3.4.1 RBF神经网络 | 第36页 |
| 3.4.2 非线性系统辨识 | 第36-39页 |
| 3.5 非线性系统的多模型库构建 | 第39-40页 |
| 3.5.1 基于系统线性部分的固定模型和自适应模型建立 | 第39-40页 |
| 3.5.2 基于系统非线性部分的神经网络模型建立 | 第40页 |
| 3.6 控制器设计 | 第40-41页 |
| 3.7 切换准则 | 第41页 |
| 3.8 仿真验证 | 第41-45页 |
| 3.9 本章小结 | 第45-46页 |
| 第4章 基于聚类方法和神经网络的非线性系统多模型自适应控制 | 第46-60页 |
| 4.1 引言 | 第46-47页 |
| 4.2 问题描述 | 第47页 |
| 4.3 非线性系统多模型库建立 | 第47-49页 |
| 4.3.1 基于聚类方法的固定模型建立 | 第47-48页 |
| 4.3.2 自适应模型建立 | 第48-49页 |
| 4.3.3 非线性神经网络模型建立 | 第49页 |
| 4.4 控制器设计 | 第49页 |
| 4.5 切换准则 | 第49-50页 |
| 4.6 多模型自适应控制算法 | 第50页 |
| 4.7 稳定性分析 | 第50-53页 |
| 4.8 仿真验证 | 第53-59页 |
| 4.9 本章小结 | 第59-60页 |
| 第5章 一种基于动态优化模型库的多模型自适应控制 | 第60-73页 |
| 5.1 引言 | 第60-61页 |
| 5.2 问题描述 | 第61-62页 |
| 5.3 基于动态优化模型库的多模型建立 | 第62-65页 |
| 5.3.1 线性局部模型建立 | 第62页 |
| 5.3.2 自由运行自适应模型建立 | 第62页 |
| 5.3.3 模型库的动态优化 | 第62-64页 |
| 5.3.4 可重新赋值自适应模型建立 | 第64页 |
| 5.3.5 非线性神经网络预测模型建立 | 第64-65页 |
| 5.4 控制器设计 | 第65页 |
| 5.5 切换准则 | 第65页 |
| 5.6 仿真验证 | 第65-72页 |
| 5.7 本章小结 | 第72-73页 |
| 总结与展望 | 第73-75页 |
| 参考文献 | 第75-81页 |
| 致谢 | 第81-82页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第82页 |