日光温室环境建模及控制策略的研究
| 摘要 | 第1-6页 |
| 英文摘要 | 第6-9页 |
| 第一章 绪论 | 第9-14页 |
| ·研究背景及意义 | 第9-10页 |
| ·日光温室建模研究动态 | 第10-11页 |
| ·日光温室环境控制研究动态 | 第11-13页 |
| ·论文主要研究内容 | 第13-14页 |
| 第二章 人工神经网络及其改进方法 | 第14-26页 |
| ·人工神经网络简介 | 第14-15页 |
| ·人工神经网络解释 | 第14页 |
| ·人工神经网络的研究历史 | 第14-15页 |
| ·BP神经网络介绍 | 第15-19页 |
| ·BP神经网络的结构 | 第16页 |
| ·BP神经网络的学习过程 | 第16-18页 |
| ·BP神经网络设计的基本方法 | 第18-19页 |
| ·BP神经网络的缺陷与不足 | 第19页 |
| ·改进神经网络的方法 | 第19-25页 |
| ·主成分分析 | 第20-24页 |
| ·主成分分析简介 | 第20页 |
| ·主成分分析的基本思想 | 第20-21页 |
| ·主成分分析的数学模型 | 第21页 |
| ·主成分分析的计算步骤 | 第21-24页 |
| ·网络算法优化 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 日光温室温、湿度预测模型 | 第26-42页 |
| ·建立日光温室温度预测模型 | 第27-35页 |
| ·日光温室温度影响因子的选择 | 第27-29页 |
| ·利用主成分分析法简化温度预测模型输入因子 | 第29-31页 |
| ·温度数据归一化处理 | 第31-32页 |
| ·基于贝叶斯正则化BP神经网络的温度预测模型 | 第32页 |
| ·网络训练及测试 | 第32-33页 |
| ·结果对比分析 | 第33-35页 |
| ·建立日光温室湿度预测模型 | 第35-41页 |
| ·日光温室湿度影响因子的选择 | 第35页 |
| ·利用主成分分析法简化湿度预测模型输入因子 | 第35-37页 |
| ·湿度数据归一化处理 | 第37页 |
| ·基于贝叶斯正则化BP神经网络的湿度预测模型 | 第37-38页 |
| ·网络训练及测试 | 第38-39页 |
| ·结果对比分析 | 第39-41页 |
| ·本章小结 | 第41-42页 |
| 第四章 日光温室模糊神经网络控制策略研究 | 第42-56页 |
| ·模糊控制理论 | 第42-45页 |
| ·模糊控制的优点与不足 | 第42-43页 |
| ·模糊逻辑控制系统的组成 | 第43-45页 |
| ·神经网络控制理论 | 第45-46页 |
| ·模糊神经网络 | 第46页 |
| ·日光温室温度模糊神经网络控制器的设计 | 第46-55页 |
| ·日光温室模糊神经网络控制器输入输出量的确定 | 第47页 |
| ·输入输出量模糊化 | 第47-50页 |
| ·模糊推理规则确定 | 第50-51页 |
| ·模糊神经网络控制器学习算法与训练样本确定 | 第51-53页 |
| ·模糊神经网络控制器的仿真及结果分析 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| ·本文主要工作 | 第56页 |
| ·展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 发表论文和科研情况说明 | 第61-62页 |
| 致谢 | 第62-63页 |
