| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-14页 |
| 1.1 选题背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 研究内容和安排 | 第13-14页 |
| 2 基于熵聚类的径向基函数神经网络学习算法 | 第14-28页 |
| 2.1 径向基函数神经网络 | 第14-20页 |
| 2.1.1 RBFNN 基本理论 | 第14-17页 |
| 2.1.2 RBFNN 学习算法 | 第17-20页 |
| 2.1.3 RBFNN 的优点及存在问题 | 第20页 |
| 2.2 熵理论 | 第20-23页 |
| 2.2.1 熵的概念 | 第20-22页 |
| 2.2.2 熵与 RBFNN | 第22-23页 |
| 2.3 基于熵聚类的径向基函数神经网络 | 第23-27页 |
| 2.3.1 熵聚类原理 | 第24-25页 |
| 2.3.2 熵聚类算法设计 | 第25-26页 |
| 2.3.3 基于熵聚类的 RBFNN 学习算法 | 第26-27页 |
| 2.4 神经网络性能评价指标 | 第27-28页 |
| 3 机械臂系统运动学及动力学分析 | 第28-51页 |
| 3.1 机械臂运动学分析 | 第28-39页 |
| 3.1.1 空间描述和坐标变换 | 第28-32页 |
| 3.1.2 机械臂运动学方程 | 第32-38页 |
| 3.1.3 机械臂运动学逆解 | 第38-39页 |
| 3.2 基于 EC-RBF 的运动学逆解的神经网络求解 | 第39-45页 |
| 3.2.1 运动学逆解与神经网络 | 第39页 |
| 3.2.2 神经网络的运动学逆解求解 | 第39-41页 |
| 3.2.3 仿真及结果分析 | 第41-45页 |
| 3.3 机械臂动力学分析 | 第45-51页 |
| 3.3.1 动力学基础 | 第45-46页 |
| 3.3.2 SACRA 型机械臂动力学方程 | 第46-51页 |
| 4 基于神经网络模型参考自适应的机械臂轨迹跟踪控制 | 第51-73页 |
| 4.1 机械臂神经网络控制 | 第51-57页 |
| 4.1.1 神经网络控制 | 第51-52页 |
| 4.1.2 机械臂神经网络控制方法 | 第52-57页 |
| 4.2 机械臂神经网络模型参考自适应控制 | 第57-63页 |
| 4.2.1 状态模型 | 第57-59页 |
| 4.2.2 控制器设计 | 第59-63页 |
| 4.3 机械臂动力学模型离线辨识 | 第63-69页 |
| 4.3.1 系统辨识原理 | 第63-64页 |
| 4.3.2 机械臂模型神经网络辨识 | 第64-66页 |
| 4.3.3 机械臂模型离线辨识及仿真 | 第66-69页 |
| 4.4 机械臂轨迹跟踪控制仿真 | 第69-73页 |
| 4.4.1 仿真模型及参数设置 | 第69-70页 |
| 4.4.2 仿真结果分析 | 第70-73页 |
| 结论 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-78页 |
| 攻读学位期间的研究成果 | 第78页 |