| 中文摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 引言 | 第8页 |
| 1.2 本文的研究背景及现状 | 第8-12页 |
| 1.2.1 人工神经网络的发展 | 第8-10页 |
| 1.2.2 人工神经网络在系统辨识上的优势 | 第10-11页 |
| 1.2.3 人工神经网络在系统辨识上的研究现状 | 第11-12页 |
| 1.3 本文的研究意义 | 第12-13页 |
| 1.4 本文的主要研究内容及章节安排 | 第13-14页 |
| 第2章 基于人工神经网络的线性系统辨识 | 第14-30页 |
| 2.1 引言 | 第14页 |
| 2.2 人工神经网络的基本内容 | 第14-19页 |
| 2.2.1 神经网络的结构及特性 | 第14-17页 |
| 2.2.2 人工神经网络的学习方式及特点 | 第17-19页 |
| 2.3 基于人工神经网络的线性系统辨识 | 第19-29页 |
| 2.3.1 基于线性神经网络的辨识算法 | 第19-25页 |
| 2.3.2 基于BP神经网络的跟踪系统融合滤波器 | 第25-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 基于改进型BP神经网络的非线性定常系统辨识 | 第30-56页 |
| 3.1 引言 | 第30页 |
| 3.2 BP神经网络的基本模型 | 第30-37页 |
| 3.2.1 BP神经网络的结构及数学模型 | 第30-32页 |
| 3.2.2 BP神经网络的学习规则 | 第32-37页 |
| 3.3 改进的BP神经网络算法 | 第37-43页 |
| 3.3.1 搜索动态学习率 | 第37-40页 |
| 3.3.2 激励函数的改进 | 第40-43页 |
| 3.4 数值仿真 | 第43-55页 |
| 3.4.1 输入层单神经元系统数值仿真 | 第43-49页 |
| 3.4.2 输入层多神经元系统数值仿真 | 第49-55页 |
| 3.5 本章小结 | 第55-56页 |
| 第4章 基于径向基神经网络的非线性时变系统辨识 | 第56-79页 |
| 4.1 引言 | 第56页 |
| 4.2 径向基神经网络的基本模型 | 第56-68页 |
| 4.2.1 径向基神经网络的结构 | 第56-61页 |
| 4.2.2 径向基神经网络的学习算法 | 第61-68页 |
| 4.3 改进型径向基神经网络算法 | 第68-71页 |
| 4.3.1 动态遗忘因子最小二乘法 | 第68-69页 |
| 4.3.2 基于迭代学习算法的时变RBF网络 | 第69-71页 |
| 4.4 数值仿真 | 第71-78页 |
| 4.4.1 定常RBF网络辨识方法仿真 | 第71-75页 |
| 4.4.2 时变RBF网络辨识方法仿真 | 第75-78页 |
| 4.5 本章小结 | 第78-79页 |
| 总结 | 第79-81页 |
| 参考文献 | 第81-88页 |
| 致谢 | 第88-89页 |
| 攻读学位期间发表论文 | 第89页 |