自动驾驶列车的节能优化在线算法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-17页 |
| 1.1 论文的研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 概述 | 第12-13页 |
| 1.2.2 研究现状 | 第13-15页 |
| 1.2.3 研究问题 | 第15页 |
| 1.3 论文的主要内容 | 第15-17页 |
| 2 列车自动运行系统 | 第17-24页 |
| 2.1 列车自动运行系统 | 第17-18页 |
| 2.2 建立列车自动运行模型 | 第18-22页 |
| 2.2.1 动力学模型 | 第18-21页 |
| 2.2.2 控制目标模型 | 第21-22页 |
| 2.3 列车自动运行控制规则 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 3 神经网络系统辨识及预测控制理论 | 第24-38页 |
| 3.1 神经网络概述 | 第24-25页 |
| 3.2 神经网络的结构及类型 | 第25-32页 |
| 3.2.1 人工神经元模型 | 第25-27页 |
| 3.2.2 神经网络结构 | 第27-28页 |
| 3.2.3 误差反向传播(BP)神经网络 | 第28-30页 |
| 3.2.4 径向基函数(RBF)神经网络 | 第30-32页 |
| 3.3 预测控制理论基础及其分析 | 第32-35页 |
| 3.3.1 预测控制的原理 | 第32页 |
| 3.3.2 预测控制的结构 | 第32-35页 |
| 3.4 广义预测控制 | 第35-37页 |
| 3.5 本章小结 | 第37-38页 |
| 4 基于神经网络预测控制在列车节能运行中的应用 | 第38-52页 |
| 4.1 神经网络非线性多步预测模型 | 第39-41页 |
| 4.1.1 多步预测模型分析 | 第39-40页 |
| 4.1.2 神经网络预测模型 | 第40-41页 |
| 4.2 神经网络预测模型在线辨识改进 | 第41-43页 |
| 4.3 在线滚动优化 | 第43-47页 |
| 4.3.1 滚动优化模型 | 第43-45页 |
| 4.3.2 求解优化问题算法分析 | 第45-47页 |
| 4.4 反馈校正及参考曲线 | 第47-49页 |
| 4.5 在线算法特点和步骤框架 | 第49-51页 |
| 4.6 本章小结 | 第51-52页 |
| 5 仿真测试及参数分析 | 第52-65页 |
| 5.1 基础数据 | 第52-53页 |
| 5.2 神经网络预测模型辨识仿真 | 第53-57页 |
| 5.2.1 BP神经网络辨识 | 第54-55页 |
| 5.2.2 RBF神经网络辨识 | 第55-56页 |
| 5.2.3 两神经网络辨识比较分析 | 第56-57页 |
| 5.3 在线优化列车控制方法的仿真 | 第57-59页 |
| 5.4 离线优化速度曲线跟踪仿真 | 第59-62页 |
| 5.5 两种优化算法在不同环境下的比较分析 | 第62-63页 |
| 5.6 本章小结 | 第63-65页 |
| 6 结论与展望 | 第65-67页 |
| 6.1 结论 | 第65-66页 |
| 6.2 展望 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 图索引 | 第70-71页 |
| 表索引 | 第71-72页 |
| 作者简历及攻读学位期间取得的研究成 | 第72-74页 |
| 学位论文数据集 | 第74页 |
