| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 引言 | 第11-24页 |
| 1.1 研究背景 | 第11-22页 |
| 1.1.1 自适应控制 | 第11-13页 |
| 1.1.2 多模型自适应控制 | 第13-18页 |
| 1.1.3 人工神经网络 | 第18-22页 |
| 1.2 研究内容 | 第22-24页 |
| 2 非线性系统多模型自适应控制概述 | 第24-29页 |
| 2.1 模型集及控制器集的建立 | 第25-27页 |
| 2.2 多模型切换准则的选取 | 第27-28页 |
| 2.3 稳定性和收敛性分析方法 | 第28-29页 |
| 3 基于动态神经网络的多模型自适应控制 | 第29-66页 |
| 3.1 动态神经网络结构介绍 | 第29-30页 |
| 3.2 基于并行结构动态神经网络的多模型自适应控制 | 第30-48页 |
| 3.2.1 并行结构动态神经网络辨识 | 第30-36页 |
| 3.2.2 并行结构动态神经网络自适应控制 | 第36-37页 |
| 3.2.3 并行结构动态神经网络多模型自适应控制 | 第37-42页 |
| 3.2.4 仿真实验 | 第42-48页 |
| 3.3 基于串并结构动态神经网络的多模型自适应控制 | 第48-66页 |
| 3.3.1 串并结构动态神经网络辨识 | 第48-53页 |
| 3.3.2 串并结构动态神经网络自适应控制 | 第53-56页 |
| 3.3.3 串并结构动态神经网络多模型自适应控制 | 第56-58页 |
| 3.3.4 仿真实验 | 第58-66页 |
| 4 基于OS-ELM神经网络的多模型自适应控制 | 第66-77页 |
| 4.1 OS-ELM神经网络介绍 | 第66-67页 |
| 4.2 OS-ELM神经网络辨识 | 第67-71页 |
| 4.3 OS-ELM神经网络自适应控制 | 第71-73页 |
| 4.4 OS-ELM神经网络自适应控制稳定性分析 | 第73页 |
| 4.5 OS-ELM神经网络多模型自适应控制 | 第73-74页 |
| 4.6 仿真实验 | 第74-77页 |
| 5 基于在线极小化误差神经网络多模型自适应控制 | 第77-90页 |
| 5.1 研究背景 | 第77页 |
| 5.2 EM-ELM神经网络介绍 | 第77-79页 |
| 5.3 OEM-ELM神经网络辨识 | 第79-83页 |
| 5.4 OEM-ELM神经网络自适应控制 | 第83-84页 |
| 5.5 仿真实验 | 第84-90页 |
| 5.5.1 问题描述 | 第84-86页 |
| 5.5.2 仿真实验 | 第86-90页 |
| 6 基于神经网络的多模型自适应控制方法应用 | 第90-104页 |
| 6.1 研究背景 | 第90-91页 |
| 6.2 矿渣微粉粉磨生产工艺流程 | 第91-95页 |
| 6.2.1 工艺流程描述 | 第91-93页 |
| 6.2.2 工艺流程分析 | 第93-95页 |
| 6.3 矿渣微粉粉磨系统动态方程描述 | 第95-96页 |
| 6.4 基于动态神经网络的测试环境搭建 | 第96-99页 |
| 6.5 基于OEM-ELM神经网络的仿真试验 | 第99-104页 |
| 7 结论 | 第104-106页 |
| 参考文献 | 第106-114页 |
| 作者简历及在学研究成果 | 第114-118页 |
| 学位论文数据集 | 第118页 |