| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 航空发动机建模的背景和意义 | 第11-12页 |
| 1.2 发动机建模的基本方法 | 第12-13页 |
| 1.3 国内外航空发动机系统建模与仿真的发展及趋势 | 第13-15页 |
| 1.4 本文主要内容 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 第2章 涡扇发动机执行机构 | 第17-31页 |
| 2.1 涡扇发动机结构分析 | 第17-19页 |
| 2.2 涡扇发动机执行机构结构分析 | 第19-29页 |
| 2.2.1 主燃油流量控制建模分析 | 第19-23页 |
| 2.2.2 风扇和压气机静子叶片导叶角控制机构建模分析 | 第23-27页 |
| 2.2.3 加力燃油流量控制建模分析 | 第27-28页 |
| 2.2.4 喷口控制建模分析 | 第28-29页 |
| 2.3 本章小结 | 第29-31页 |
| 第3章 涡扇发动机执行机构线性子系统辨识 | 第31-43页 |
| 3.1 线性系统辨识 | 第31-34页 |
| 3.1.1 系统辨识的步骤 | 第31-32页 |
| 3.1.2 系统辨识的基本方法 | 第32-33页 |
| 3.1.3 离线辨识与在线辨识 | 第33-34页 |
| 3.2 非线性系统辨识 | 第34-38页 |
| 3.2.1 非线性系统模型 | 第34-35页 |
| 3.2.2 非线性系统辨识方法 | 第35-38页 |
| 3.3 发动机执行机构辨识建模研究 | 第38-42页 |
| 3.3.1 发动机执行机构模型线性子系统辨识 | 第39-41页 |
| 3.3.2 涡扇发动机执行机构辨识结果与分析 | 第41-42页 |
| 3.3.3 发动机执行机构模型非线性子系统辨识 | 第42页 |
| 3.4 本章小结 | 第42-43页 |
| 第4章 基于BP网络的涡扇发动机执行机构非线性子系统辨识 | 第43-57页 |
| 4.1 人工神经网络 | 第43-46页 |
| 4.1.1 基本构成—神经元 | 第44页 |
| 4.1.2 神经网络结构 | 第44-45页 |
| 4.1.3 学习方式 | 第45页 |
| 4.1.4 学习算法 | 第45-46页 |
| 4.2 基于神经网络的辨识结构 | 第46-48页 |
| 4.2.1 神经网络系统辨识的基本原理 | 第46-47页 |
| 4.2.2 神经网络辨识模型结构 | 第47-48页 |
| 4.3 基于BP网络的涡扇发动机执行机构非线性子系统辨识 | 第48-54页 |
| 4.3.1 BP神经网络模型 | 第48页 |
| 4.3.2 BP神经网络基本原理 | 第48-49页 |
| 4.3.3 误差反向传播算法 | 第49-53页 |
| 4.3.4 BP算法的改进 | 第53-54页 |
| 4.4 涡扇发动机执行机构辨识结果与分析 | 第54-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第5章 基于小波网络的涡扇发动机执行机构非线性子系统辨识 | 第57-77页 |
| 5.1 小波神经网络 | 第57-59页 |
| 5.1.1 小波分析 | 第57页 |
| 5.1.2 小波神经网络 | 第57-59页 |
| 5.2 基于小波网络的涡轮风扇发动机执行机构非线性子系统辨识 | 第59-67页 |
| 5.2.1 小波神经网络数学基础 | 第59-64页 |
| 5.2.2 基于小波框架构造小波神经网络 | 第64-65页 |
| 5.2.3 小波神经网络学习算法 | 第65-67页 |
| 5.3 基于EKF-WNN的涡轮风扇发动机执行机构非线性子系统辨识 | 第67-73页 |
| 5.3.1 卡尔曼滤波简述 | 第67-68页 |
| 5.3.2 标准卡尔曼滤波 | 第68-69页 |
| 5.3.3 扩展卡尔曼滤波 | 第69-71页 |
| 5.3.4 基于扩展卡尔曼滤波的小波神经网络学习算法 | 第71-73页 |
| 5.4 涡扇发动机执行机构辨识结果与分析 | 第73-76页 |
| 5.5 本章小结 | 第76-77页 |
| 第6章 总结与展望 | 第77-79页 |
| 6.1 总结 | 第77页 |
| 6.2 展望 | 第77-79页 |
| 参考文献 | 第79-83页 |
| 致谢 | 第83页 |
