| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 绪论 | 第10-17页 |
| ·课题的研究背景及意义 | 第10-11页 |
| ·人工神经网络研究现状 | 第11-12页 |
| ·非线性时变系统建模研究现状 | 第12-14页 |
| ·非神经网络建模方法研究现状 | 第12-13页 |
| ·基于神经网络建模方法研究现状 | 第13-14页 |
| ·迭代学习辨识研究现状 | 第14-15页 |
| ·本文主要研究内容及章节安排 | 第15-17页 |
| 第2章 神经网络原理与传统建模方法 | 第17-34页 |
| ·引言 | 第17页 |
| ·神经网络基本原理 | 第17-23页 |
| ·神经网络结构与数学模型 | 第17-19页 |
| ·神经网络的特性 | 第19-20页 |
| ·神经网络学习规则 | 第20-23页 |
| ·常见神经网络模型 | 第23-31页 |
| ·多层感知器网络及其学习算法 | 第23-25页 |
| ·RBF神经网络及其学习算法 | 第25-27页 |
| ·基函数神经网络 | 第27-29页 |
| ·过程神经网络 | 第29-31页 |
| ·时变系统建模方法 | 第31-33页 |
| ·卡尔曼滤波 | 第31页 |
| ·带遗忘因子的递推最小二乘算法 | 第31-32页 |
| ·迭代学习辨识算法 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 第3章 基于定常神经网络的非线性时变系统建模 | 第34-49页 |
| ·引言 | 第34页 |
| ·基于RLS算法的定常RBF神经网络的建模方法 | 第34-37页 |
| ·基于L-M算法的定常BP神经网络建模方法 | 第37-41页 |
| ·数值仿真结果 | 第41-48页 |
| ·基于RLS算法的定常RBF神经网络仿真实例 | 第41-45页 |
| ·基于L-M算法的定常BP神经网络仿真 | 第45-48页 |
| ·仿真结果分析 | 第48页 |
| ·本章小结 | 第48-49页 |
| 第4章 基于时变RBF神经网络的非线性时变系统建模 | 第49-63页 |
| ·引言 | 第49页 |
| ·时变RBF神经网络结构及数学模型 | 第49-50页 |
| ·迭代学习最小二乘算法-ILLS算法 | 第50-53页 |
| ·ILLS算法性能分析 | 第53-55页 |
| ·数值仿真结果 | 第55-62页 |
| ·时变RBF神经网络仿真实例 | 第56-61页 |
| ·仿真结果分析 | 第61-62页 |
| ·本章小结 | 第62-63页 |
| 第5章 基于基函数神经网络的非线性时变系统建模 | 第63-77页 |
| ·引言 | 第63页 |
| ·时变Chebyshev神经网络 | 第63-65页 |
| ·时变Legendre神经网络 | 第65页 |
| ·时变Hermite神经网络 | 第65-66页 |
| ·时变多项式神经网络 | 第66-67页 |
| ·数值仿真结果 | 第67-76页 |
| ·时变Chebyshev神经网络 | 第67-69页 |
| ·时变Legendre神经网络 | 第69-71页 |
| ·时变Hermite神经网络 | 第71-73页 |
| ·时变多项式神经网络 | 第73-75页 |
| ·仿真结果分析 | 第75-76页 |
| ·本章小结 | 第76-77页 |
| 第6章 总结与展望 | 第77-79页 |
| ·本文工作总结 | 第77-78页 |
| ·今后工作展望 | 第78-79页 |
| 参考文献 | 第79-85页 |
| 致谢 | 第85-86页 |
| 攻读学位期间参加的科研项目和成果 | 第86页 |