基于神经网络的非线性时变结构系统辨识
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第1章 绪论 | 第7-16页 |
| ·课题来源 | 第7页 |
| ·课题研究的目的和意义 | 第7-8页 |
| ·基于神经网络的非线性系统辨识研究现状 | 第8-14页 |
| ·本文的主要研究内容 | 第14-16页 |
| 第2章 非线性时变系统神经网络模型 | 第16-26页 |
| ·引言 | 第16页 |
| ·神经元模型 | 第16-18页 |
| ·神经元的基本构成 | 第16-17页 |
| ·激活函数 | 第17-18页 |
| ·神经网络模型 | 第18-20页 |
| ·网络拓扑结构类型 | 第18-19页 |
| ·网络信息流向类型 | 第19-20页 |
| ·神经网络学习算法 | 第20-24页 |
| ·BP算法 | 第21-22页 |
| ·递推最小二乘算法(RLS) | 第22-23页 |
| ·扩展卡尔曼滤波算法(EKF) | 第23-24页 |
| ·非线性时变系统描述与神经网络模型 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第3章 非线性时变结构系统的RLS辨识方法 | 第26-55页 |
| ·引言 | 第26页 |
| ·神经网络的RLS算法 | 第26-28页 |
| ·神经网络的改进RLS算法 | 第28-33页 |
| ·标准递推最小二乘(RLS)的改进算法 | 第29-30页 |
| ·加权最小二乘(WRLS)的改进算法 | 第30-31页 |
| ·限定记忆最小二乘(LRLS)的改进算法 | 第31-33页 |
| ·改进RLS算法的理论分析 | 第33-34页 |
| ·改进RLS算法的收敛性证明 | 第34-38页 |
| ·鞅超收敛定理 | 第34-35页 |
| ·收敛性证明 | 第35-38页 |
| ·算例分析 | 第38-53页 |
| ·非线性时变系统仿真算例 | 第38-42页 |
| ·三自由度非线性时变结构系统仿真算例 | 第42-53页 |
| ·本章小结 | 第53-55页 |
| 第4章 非线性时变结构系统辨识的EKF方法 | 第55-65页 |
| ·引言 | 第55页 |
| ·神经网络的EKF算法 | 第55-58页 |
| ·EKF全局学习算法 | 第55-56页 |
| ·EKF局部学习算法 | 第56-58页 |
| ·神经网络的改进EKF算法 | 第58-59页 |
| ·算例分析 | 第59-64页 |
| ·非线性时变系统仿真算例 | 第59-61页 |
| ·三自由度非线性时变结构系统仿真算例 | 第61-64页 |
| ·本章小结 | 第64-65页 |
| 结论 | 第65-66页 |
| 参考文献 | 第66-72页 |
| 攻读学位期间发表的学术论文 | 第72-74页 |
| 致谢 | 第74-75页 |
| 个人简历 | 第75页 |
