| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 经典自适应滑模控制方法 | 第11-12页 |
| 1.2.2 反演自适应滑模控制方法 | 第12页 |
| 1.2.3 智能滑模控制方法 | 第12-14页 |
| 1.2.4 终端滑模控制方法 | 第14-15页 |
| 1.2.5 自抗扰控制方法 | 第15-16页 |
| 1.3 全文内容及章节安排 | 第16-18页 |
| 第二章 滑模变结构控制概述 | 第18-26页 |
| 2.1 滑模变结构控制简介 | 第18页 |
| 2.2 滑模变结构控制基本原理 | 第18-23页 |
| 2.2.1 滑动模态定义及数学表达 | 第18-19页 |
| 2.2.2 滑模控制的到达条件 | 第19-20页 |
| 2.2.3 滑模控制的不变性 | 第20-21页 |
| 2.2.4 滑模变结构控制的设计 | 第21-22页 |
| 2.2.5 滑模运动的动态性能 | 第22-23页 |
| 2.3 滑模变结构控制存在的问题 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于扩张状态观测器的自适应滑模控制 | 第26-39页 |
| 3.1 引言 | 第26页 |
| 3.2 扩张状态观测器简介 | 第26-29页 |
| 3.3 基于扩张状态观测器的自适应滑模控制器设计 | 第29-32页 |
| 3.3.1 扩张状态观测器设计 | 第29-30页 |
| 3.3.2 滑模控制器设计 | 第30页 |
| 3.3.3 系统稳定性证明 | 第30-31页 |
| 3.3.4 滑模控制器的自适应算法 | 第31-32页 |
| 3.4 仿真实例 | 第32-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 基于RBF神经网络的自适应滑模控制 | 第39-57页 |
| 4.1 引言 | 第39页 |
| 4.2 RBF神经网络概述 | 第39-43页 |
| 4.2.1 RBF神经网络模型 | 第40-41页 |
| 4.2.2 RBF神经网络的逼近理论 | 第41页 |
| 4.2.3 RBF神经网络学习算法 | 第41-43页 |
| 4.3 基于RBF神经网络补偿的滑模控制 | 第43-49页 |
| 4.3.1 问题描述 | 第43页 |
| 4.3.2 基于RBF神经网络补偿的滑模控制器设计 | 第43-45页 |
| 4.3.3 仿真实例 | 第45-49页 |
| 4.4 基于RBF神经网络的适应滑模控制 | 第49-56页 |
| 4.4.1 问题描述 | 第49页 |
| 4.4.2 基于RBF神经网络的滑模控制器设计 | 第49-52页 |
| 4.4.3 仿真实例 | 第52-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 工作总结 | 第57-58页 |
| 5.2 本文的特色及创新 | 第58页 |
| 5.3 展望 | 第58-59页 |
| 参考文献 | 第59-66页 |
| 致谢 | 第66-67页 |
| 附录A（攻读硕士学位期间发表论文目录） | 第67-68页 |
| 附录B（攻读硕士学位期间参与项目） | 第68页 |