基于数据驱动的联合制碱过程优化控制方法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第1章 绪论 | 第8-12页 |
| ·课题研究背景及意义 | 第8-9页 |
| ·国内外研究现状及发展趋势 | 第9-11页 |
| ·本课题研究内容 | 第11-12页 |
| 第2章 联合制碱 | 第12-18页 |
| ·联合制碱的发展历程 | 第12页 |
| ·我国制碱工业的现状 | 第12-13页 |
| ·新型变换气联合制碱过程 | 第13-14页 |
| ·联合制碱碳化过程 | 第14-16页 |
| ·联合制碱过程控制方法 | 第16页 |
| ·本章小结 | 第16-18页 |
| 第3章 数据驱动理论 | 第18-32页 |
| ·数据驱动的概念 | 第18页 |
| ·数据驱动的背景 | 第18-20页 |
| ·数据驱动应用范围 | 第20页 |
| ·数据驱动控制方法分类 | 第20-25页 |
| ·基于在线数据的控制方法 | 第20-22页 |
| ·基于离线数据的控制方法 | 第22-24页 |
| ·基于在线和离线数据的控制方法 | 第24-25页 |
| ·迭代学习方法 | 第25-31页 |
| ·迭代学习控制简介 | 第25-26页 |
| ·迭代学习控制基本思想 | 第26-27页 |
| ·迭代学习算法收敛性分析 | 第27-29页 |
| ·非线性动态系统迭代学习控制分析 | 第29-31页 |
| ·迭代学习控制面临的挑战 | 第31页 |
| ·本章小结 | 第31-32页 |
| 第4章 RBF神经网络 | 第32-42页 |
| ·引言 | 第32页 |
| ·神经网络的发展 | 第32-33页 |
| ·神经网络的模型分类 | 第33-34页 |
| ·神经网络的学习算法 | 第34-35页 |
| ·神经网络的泛化能力 | 第35页 |
| ·RBF神经网络 | 第35-41页 |
| ·RBF神经网络模型 | 第36-37页 |
| ·RBF神经网络的训练过程 | 第37-39页 |
| ·RBF神经网络的学习算法 | 第39-41页 |
| ·RBF神经网络的优缺点 | 第41页 |
| ·本章小结 | 第41-42页 |
| 第5章 迭代学习算法与RBF神经网络相结合 | 第42-52页 |
| ·引言 | 第42页 |
| ·迭代学习控制策略 | 第42-48页 |
| ·RBF神经网络建模 | 第42-43页 |
| ·迭代学习控制器的设计 | 第43-45页 |
| ·迭代学习控制器收敛性分析 | 第45-48页 |
| ·仿真研究 | 第48-51页 |
| ·本章小结 | 第51-52页 |
| 结论 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间所发表的论文 | 第58-60页 |
| 致谢 | 第60页 |
