| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 引言 | 第13页 |
| 1.2 非线性时滞系统辨识研究现状 | 第13-17页 |
| 1.2.1 神经网络在时滞非线性系统辨识中应用研究 | 第16-17页 |
| 1.3 非线性时滞系统预测控制研究现状 | 第17-19页 |
| 1.3.1 神经网络在非线性时滞系统预测控制中应用研究 | 第18-19页 |
| 1.4 本文研究的主要内容及创新点 | 第19-21页 |
| 第二章 基础理论知识介绍 | 第21-29页 |
| 2.1 引言 | 第21页 |
| 2.2 动态极限学习机结构和算法 | 第21-24页 |
| 2.2.1 极限学习机模型 | 第21-23页 |
| 2.2.2 动态极限学习机模型 | 第23-24页 |
| 2.3 递归神经网络理论和方法 | 第24-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于动态神经网络的系统辨识研究 | 第29-47页 |
| 3.1 引言 | 第29页 |
| 3.2 基于动态极限学习机的时滞系统辨识 | 第29-31页 |
| 3.2.1 粒子群算法优化时滞参数 | 第29-31页 |
| 3.3 实验结果与分析 | 第31-37页 |
| 3.3.1 pH中和过程 | 第31-35页 |
| 3.3.2 非线性动态过程 | 第35-37页 |
| 3.4 基于准线性递归神经网络的系统辨识 | 第37-41页 |
| 3.4.1 问题描述 | 第38-39页 |
| 3.4.2 嵌入递归神经网络 | 第39-40页 |
| 3.4.3 准线性递归神经网络辨识 | 第40-41页 |
| 3.5 实验结果与分析 | 第41-45页 |
| 3.5.1 实验一 | 第41-43页 |
| 3.5.2 实验二 | 第43-45页 |
| 3.6 本章小结 | 第45-47页 |
| 第四章 基于动态神经网络的预测控制研究 | 第47-57页 |
| 4.1 引言 | 第47页 |
| 4.2 递归神经网络预测控制研究 | 第47-52页 |
| 4.2.1 递归网络预测模型建立 | 第47-48页 |
| 4.2.2 递归网络预测模型反馈校正 | 第48-49页 |
| 4.2.3 递归网络梯度下降法求解控制律 | 第49-50页 |
| 4.2.4 实验结果与分析 | 第50-52页 |
| 4.3 准线性递归神经网络预测控制研究 | 第52-56页 |
| 4.3.1 预测模型输入线性化 | 第52-53页 |
| 4.3.2 控制律求取 | 第53-54页 |
| 4.3.3 实验结果与分析 | 第54-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 总结 | 第57-58页 |
| 5.2 展望 | 第58-59页 |
| 参考文献 | 第59-65页 |
| 致谢 | 第65-67页 |
| 研究成果及发表的学术论文 | 第67-69页 |
| 导师和作者简介 | 第69-71页 |
| 附件 | 第71-72页 |