| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 1 引言 | 第9-14页 |
| ·选题背景及意义 | 第9-10页 |
| ·国内外研究现状 | 第10-12页 |
| ·本文的研究内容 | 第12-14页 |
| 2 系统辨识理论概述 | 第14-18页 |
| ·系统辨识的基本原理和经典的系统辨识方法 | 第14-15页 |
| ·系统辨识的基本原理 | 第14-15页 |
| ·经典的系统辨识方法 | 第15页 |
| ·基于神经网络的系统辨识方法 | 第15-18页 |
| ·神经网络系统辨识的基本原理 | 第16页 |
| ·神经网络系统辨识的网络模型 | 第16-18页 |
| 3 递归神经网络结构及其学习算法 | 第18-29页 |
| ·递归神经网络结构 | 第18-23页 |
| ·Hopfield网络 | 第18-19页 |
| ·Jordan网络 | 第19页 |
| ·Elman网络 | 第19-20页 |
| ·DRNN神经网络 | 第20-21页 |
| ·回声状态网络 | 第21-23页 |
| ·递归神经网络的学习算法 | 第23-29页 |
| ·沿时间的反向传播算法 | 第23-27页 |
| ·实时递归学习算法 | 第27-29页 |
| 4 常用的智能优化算法及其改进 | 第29-49页 |
| ·遗传算法基本原理 | 第29-31页 |
| ·粒子群算法基本原理 | 第31-33页 |
| ·蚁群算法基本原理 | 第33-36页 |
| ·蚁群算法的基本思想 | 第34页 |
| ·蚁群算法的数学模型 | 第34-36页 |
| ·改进的粒子群算法及收敛性分析 | 第36-39页 |
| ·粒子群算法的改进思路 | 第36-37页 |
| ·改进粒子群算法的收敛性分析 | 第37-39页 |
| ·改进的蚁群算法及收敛性分析 | 第39-46页 |
| ·蚁群算法的改进思路 | 第39-42页 |
| ·改进蚁群算法的收敛性分析 | 第42-46页 |
| ·5种优化算法的性能对比 | 第46-49页 |
| ·仿真实验设置 | 第46-47页 |
| ·实验结果及其分析 | 第47-49页 |
| 5 递归神经网络在动态化工系统辨识中的应用 | 第49-64页 |
| ·概述 | 第49页 |
| ·精馏塔工艺流程简介 | 第49-50页 |
| ·精馏塔系统的最佳辨识模型选择 | 第50-63页 |
| ·实验数据预处理 | 第50-51页 |
| ·基于Elman、DRNN网络的精馏塔系统辨识 | 第51-53页 |
| ·递归网络与前馈网络的辨识性能比较 | 第53-55页 |
| ·基于IACA、BPTT和RTRL算法的DRNN网络模型辨识性能比较 | 第55-58页 |
| ·基于ESN网络的精馏塔系统辨识 | 第58-61页 |
| ·ESN网络和DRNN网络辨识模型比较 | 第61-63页 |
| ·精馏塔产品质量的实时预测方案 | 第63-64页 |
| 6 总结与展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间发表的学术论文 | 第70-71页 |
| 致谢 | 第71页 |