| 中文摘要 | 第1-10页 |
| 英文摘要 | 第10-13页 |
| 致 谢 | 第13-14页 |
| 第一章 绪 论 | 第14-27页 |
| 1．1 引言 | 第14-15页 |
| 1．2 复杂工业过程及建模 | 第15-17页 |
| 1．3 鲁棒估计的基本内容 | 第17-20页 |
| 1．3．1 鲁棒性概念的描述 | 第18-19页 |
| 1．3．2 鲁棒估计的基本方法 | 第19-20页 |
| 1．4 小波在工业过程中的应用 | 第20-24页 |
| 1．5 本文的主要工作 | 第24-27页 |
| 第二章 鲁棒小波变换及应用 | 第27-42页 |
| 2．1 引言 | 第27-28页 |
| 2．2 问题描述 | 第28-32页 |
| 2．3 鲁棒小波变换 | 第32-39页 |
| 2．3．1 a-截尾均值滤波器 | 第32-33页 |
| 2．3．2 鲁棒小波变换算法 | 第33-34页 |
| 2．3．3 选择小波系数 | 第34-36页 |
| 2．3．4 快速鲁棒小波变换 | 第36-39页 |
| 2．4 仿真研究 | 第39-41页 |
| 2．5 本章小结 | 第41-42页 |
| 第三章 基于M估计的滤波与辨识 | 第42-60页 |
| 3．1 引言 | 第42-43页 |
| 3．2 基于M估计的回归问题 | 第43-45页 |
| 3．3 基于M估计的FIR鲁棒自适应滤波器 | 第45-48页 |
| 3．4 基于M估计的鲁棒卡尔曼滤波器 | 第48-52页 |
| 3．4．1 卡尔曼滤波器的最小二乘回归形式 | 第48-50页 |
| 3．4．2 卡尔曼滤波器的鲁棒化 | 第50-52页 |
| 3．5 基于小波的自适应鲁棒M估计辨识非线性系统 | 第52-56页 |
| 3．5．1 自适应M估计器 | 第53-54页 |
| 3．5．2 用小波构造Ψ函数 | 第54-56页 |
| 3．6 仿真研究 | 第56-59页 |
| 3．7 本章小结 | 第59-60页 |
| 第四章 小波网络多尺度学习范式与分层结构设计方法 | 第60-71页 |
| 4．1 引言 | 第60-61页 |
| 4．2 多尺度学习范式 | 第61-64页 |
| 4．2．1 多尺度分析 | 第61-63页 |
| 4．2．2 多尺度学习 | 第63-64页 |
| 4．3 结合遗传算法的小波网络分层设计方法 | 第64-69页 |
| 4．3．1 具有可变小波元的小波网络 | 第64-65页 |
| 4．3．2 结合AIC的MGS算法 | 第65-67页 |
| 4．3．3 结合遗传算法的分层优化方法 | 第67-69页 |
| 4．4 仿真算例 | 第69页 |
| 4．5 本章小结 | 第69-71页 |
| 第五章 基于小波的多率采样系统辨识 | 第71-83页 |
| 5．1 引言 | 第71-72页 |
| 5．2 基于WMRA的信号分解 | 第72-73页 |
| 5．3 多率采样数据一致性重构的研究 | 第73-77页 |
| 5．4 基于WMRA的分频段加权辨识 | 第77-80页 |
| 5．5 仿真算例 | 第80-81页 |
| 5．6 本章小结 | 第81-83页 |
| 第六章 基于小波网络与遗传算法的LTV系统建模新方法 | 第83-92页 |
| 6．1 引言 | 第83-85页 |
| 6．2 问题描述 | 第85-86页 |
| 6．3 基于OWN的二次回归方法 | 第86-88页 |
| 6．4 参数子模型结构辨识 | 第88-89页 |
| 6．5 仿真算例 | 第89-91页 |
| 6．6 本章小结 | 第91-92页 |
| 第七章 基于小波网络的非线性系统辨识 | 第92-109页 |
| 7．1 引言 | 第92-93页 |
| 7．2 用于非线性静态系统辨识的鲁棒小波网络 | 第93-102页 |
| 7．2．1 问题的提出 | 第93-96页 |
| 7．2．2 非均匀样本的分组中值化 | 第96-98页 |
| 7．2．3 辨识精度及收敛性分析 | 第98-101页 |
| 7．2．4 仿真研究（一） | 第101-102页 |
| 7．3 用于非线性动态系统辨识的可变正交小波网络 | 第102-108页 |
| 7．3．1 可变策略与可变操作 | 第103-104页 |
| 7．3．2 误差分析 | 第104-105页 |
| 7．3．3 VOWN参数的动态调整 | 第105-106页 |
| 7．3．4 仿真研究（二） | 第106-108页 |
| 7．4 本章小结 | 第108-109页 |
| 第八章 用于过程软测量的多小波网络 | 第109-119页 |
| 8．1 前言 | 第109-111页 |
| 8．2 多小波网络的提出 | 第111-112页 |
| 8．3 结合PLS的多小波网络构造方法 | 第112-114页 |
| 8．4 仿真及应用研究 | 第114-118页 |
| 8．4．1 基于多小波网络的非线性系统建模 | 第114-115页 |
| 8．4．2 基于多小波网络的球磨机负荷软测量 | 第115-118页 |
| 8．5 本章小结 | 第118-119页 |
| 第九章 基于多Agent与小波网络的混杂系统集成技术及应用 | 第119-132页 |
| 9．1 引言 | 第119-120页 |
| 9．2 单个Agent的概念模型 | 第120-122页 |
| 9．3 基于多Agent的HSBMA集成框架 | 第122-125页 |
| 9．3．1 模型框架的组成 | 第123-125页 |
| 9．3．2 Agent间的通信 | 第125页 |
| 9．4 Agent变迁策略的研究 | 第125-126页 |
| 9．5 基于HSBMA集成技术的球磨机控制系统设计 | 第126-131页 |
| 9．5．1 球磨机自动控制系统的任务和要求 | 第126-127页 |
| 9．5．2 球磨机控制采用多Agent集成技术的必要性 | 第127-128页 |
| 9．5．3 基于HSBMA集成技术的球磨机控制系统设计 | 第128-131页 |
| 9．6 本章小结 | 第131-132页 |
| 第十章 总结与展望 | 第132-134页 |
| 参考文献 | 第134-147页 |
| 附录： 攻博期间发表和完成与本文有关的论文 | 第147-148页 |
