| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 研究现状及发展趋势 | 第14-17页 |
| 1.2.1 近似动态规划的研究现状及发展趋势 | 第14-15页 |
| 1.2.2 神经网络建模的研究现状及发展趋势 | 第15页 |
| 1.2.3 间歇过程迭代控制的研究现状及发展趋势 | 第15-17页 |
| 1.3 本文研究的内容 | 第17页 |
| 1.4 课题来源 | 第17-19页 |
| 第二章 近似动态规划方法和神经网络理论基础 | 第19-33页 |
| 2.1 近似动态规划理论基础 | 第19-21页 |
| 2.1.1 马尔科夫决策过程 | 第19-20页 |
| 2.1.2 动态规划 | 第20-21页 |
| 2.2 近似动态规划算法原理 | 第21-29页 |
| 2.2.1 启发式动态规划方法(HDP) | 第21-22页 |
| 2.2.2 对偶启发式动态规划方法(DHP) | 第22-23页 |
| 2.2.3 全局对偶启发式动态规划方法(GDHP) | 第23-29页 |
| 2.3 神经网络理论基础 | 第29-32页 |
| 2.3.1 神经网络原理及结构 | 第30-31页 |
| 2.3.2 神经网络训练算法 | 第31-32页 |
| 2.4 小结 | 第32-33页 |
| 第三章 神经网络预测模型的建立及仿真研究 | 第33-43页 |
| 3.1 航煤干点软测量问题的描述 | 第33-34页 |
| 3.2 混合预测模型的建立 | 第34-38页 |
| 3.3 航煤干点软测量模型预测效果分析 | 第38-41页 |
| 3.4 小结 | 第41-43页 |
| 第四章 改进的近似动态规划算法实现 | 第43-51页 |
| 4.1 最小二乘TD学习算法 | 第43-44页 |
| 4.2 基于RLSTD的DHP算法推导 | 第44-46页 |
| 4.2.1 RLSTD(0)-DHP算法推导 | 第44-45页 |
| 4.2.2 RLSTD(λ)-DHP算法推导 | 第45-46页 |
| 4.3 TDC-DHP算法推导 | 第46-47页 |
| 4.4 LSTDC-DHP算法推导 | 第47-49页 |
| 4.5 小结 | 第49-51页 |
| 第五章 基于ADP算法的生物发酵间歇过程迭代控制研究 | 第51-69页 |
| 5.1 问题描述 | 第51-52页 |
| 5.2 基于ADP算法的生物发酵过程迭代控制 | 第52-60页 |
| 5.2.1 RLSTD(0)-DHP算法的迭代控制 | 第53-55页 |
| 5.2.2 RLSTD(λ)-DHP算法的迭代控制 | 第55-58页 |
| 5.2.3 TDC-DHP算法的迭代控制 | 第58-60页 |
| 5.3 基于改进LSTDC-DHP算法的实现 | 第60-68页 |
| 5.3.1 改进LSTDC-DHP算法实现流程 | 第60-61页 |
| 5.3.2 基于LSTDC-DHP算法生物发酵过程迭代控制的实验设置与结果 | 第61-64页 |
| 5.3.3 实验结果对比分析 | 第64-68页 |
| 5.4 小结 | 第68-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 总结 | 第69-70页 |
| 6.2 展望 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-77页 |
| 研究成果及发表的学术论文 | 第77-79页 |
| 导师和作者简介 | 第79-81页 |
| 附件 | 第81-83页 |
