| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-14页 |
| 1.1 论文的选题背景和研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 论文的主要研究内容 | 第12-14页 |
| 2 ELM在化工过程辨识中的应用 | 第14-35页 |
| 2.1 ELM理论 | 第14-20页 |
| 2.1.1 SLFNs的数学描述 | 第14页 |
| 2.1.2 ELM学习算法 | 第14-17页 |
| 2.1.3 ELM在线学习算法 | 第17-20页 |
| 2.2 基于NARX-ELM的化工过程辨识 | 第20-34页 |
| 2.2.1 神经网络与系统辨识 | 第20-22页 |
| 2.2.2 基于ELM的NARX辨识模型 | 第22-24页 |
| 2.2.3 基于NARX-ELM的CSTR过程辨识 | 第24-30页 |
| 2.2.4 基于NARX-ELM的pH酸碱中和过程辨识 | 第30-34页 |
| 2.3 小结 | 第34-35页 |
| 3 KELM在化工过程辨识中的应用 | 第35-42页 |
| 3.1 KELM学习算法 | 第35-36页 |
| 3.2 基于NARX-KELM的化工过程辨识 | 第36-41页 |
| 3.2.1 基于NARX-KELM的CSTR过程辨识 | 第36-39页 |
| 3.2.2 基于NARX-KELM的pH酸碱中和过程辨识 | 第39-41页 |
| 3.3 小结 | 第41-42页 |
| 4 ELM在化工过程控制中的应用 | 第42-60页 |
| 4.1 问题描述 | 第43-44页 |
| 4.2 基于ELM的Backstepping自适应控制器的设计 | 第44-52页 |
| 4.2.1 ELM对未知非线性函数的逼近 | 第44-45页 |
| 4.2.2 Backstepping自适应神经控制器的设计 | 第45-52页 |
| 4.3 仿真研究 | 第52-59页 |
| 4.3.1 仿真实例情形一 | 第53-57页 |
| 4.3.2 仿真实例情形二 | 第57-59页 |
| 4.4 小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 攻读学位期间的研究成果 | 第66页 |
