| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-14页 |
| ·课题来源 | 第9页 |
| ·研究目的和意义 | 第9-10页 |
| ·国内外现状和发展趋势 | 第10-12页 |
| ·国内外现状 | 第10-11页 |
| ·发展趋势 | 第11-12页 |
| ·主要研究内容 | 第12-14页 |
| 2 直升机系统数学模型的建立及基本控制系统设计 | 第14-27页 |
| ·直升机系统概述 | 第14页 |
| ·系统建模 | 第14-18页 |
| ·系统的状态方程表示 | 第18-19页 |
| ·基本控制系统设计（一） | 第19-21页 |
| ·基本控制系统设计（二） | 第21-24页 |
| ·基本控制系统设计（三） | 第24-25页 |
| ·本章小结 | 第25-27页 |
| 3 遗传算法与粒子群优化算法 | 第27-43页 |
| ·遗传算法的基本原理 | 第27-29页 |
| ·遗传算法的优化设计 | 第29-30页 |
| ·遗传算法的构成要素 | 第29页 |
| ·遗传算法的应用步骤 | 第29-30页 |
| ·遗传算法在直升机上的应用 | 第30-35页 |
| ·遗传算法优化直升机PID 控制器 | 第31-34页 |
| ·遗传算法优化LQR 控制器参数 | 第34-35页 |
| ·粒子群算法 | 第35-41页 |
| ·基本粒子群算法描述 | 第35-36页 |
| ·粒子群算法流程 | 第36-37页 |
| ·粒子群算法优化PID 参数 | 第37-39页 |
| ·改进的粒子群算法 | 第39-41页 |
| ·本章小结 | 第41-43页 |
| 4 直升机的神经网络控制研究 | 第43-56页 |
| ·神经网络的发展 | 第43-44页 |
| ·用于控制的神经网络类型及应用概况 | 第44-45页 |
| ·基于PSO 优化的RBF 整定单神经元PID 控制 | 第45-51页 |
| ·网络结构 | 第46页 |
| ·基于RBF 辨识的单神经元PID 整定控制方案 | 第46-47页 |
| ·RBF 神经网络的辨识 | 第47-48页 |
| ·基于梯度法的单神经元PID 整定 | 第48页 |
| ·基于PSO 优化的PRBF-NNPID | 第48-49页 |
| ·仿真实例 | 第49-51页 |
| ·基于PSO 优化的RBF 神经网络自适应控制器 | 第51-54页 |
| ·基于RBF 神经网络的自适应控制器 | 第51页 |
| ·神经网络辨识器NI | 第51-52页 |
| ·神经网络控制器NC | 第52页 |
| ·仿真结果 | 第52-54页 |
| ·本章小结 | 第54-56页 |
| 5 直升机的实时控制 | 第56-64页 |
| ·实时控制RTW 介绍 | 第57-58页 |
| ·实时控制RTW 介绍 | 第57页 |
| ·Real-Time Windows Target 方式 | 第57-58页 |
| ·实验平台介绍 | 第58-59页 |
| ·神经网络控制器的设计 | 第59-61页 |
| ·仿真结果 | 第61-62页 |
| ·本章小结 | 第62-64页 |
| 结论 | 第64-65页 |
| 今后研究发展方向 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 附录A 电气系统参数 | 第68-69页 |
| 攻读硕士学位期间发表的学术论文 | 第69-70页 |
| 致谢 | 第70-71页 |