| 中文摘要 | 第1-4页 |
| 英文摘要 | 第4-8页 |
| 第一章 绪论 | 第8-15页 |
| 1．1 智能控制的基本概念 | 第8-9页 |
| 1．2 智能控制系统的基本结构 | 第9-10页 |
| 1．3 智能控制系统的类型 | 第10-13页 |
| 1．4 本文工作主要内容 | 第13-15页 |
| 第二章 回归神经网络结构及算法 | 第15-34页 |
| 2．1 回归神经网络拓扑结构分析 | 第15-20页 |
| 2．1．1 国际上现有的回归神经网络模型 | 第15-18页 |
| 2．1．2 基于化工过程的回归神经网络 | 第18-20页 |
| 2．2 回归神经网络学习算法 | 第20-24页 |
| 2．2．1 网络训练机制 | 第20页 |
| 2．2．2 误差反向传播(BP)算法 | 第20-23页 |
| 2．2．3 BP算法的改进 | 第23-24页 |
| 2．3 训练样本的选取和预处理 | 第24-25页 |
| 2．4 网络权值的初始化和调整 | 第25-26页 |
| 2．5 回归神经网络的应用研究 | 第26-32页 |
| 2．5．1 连续搅拌釜反应器CSTR | 第26-28页 |
| 2．5．2 CSTR模型化和模拟 | 第28-31页 |
| 2．5．3 苯酐实际生产反应过程应用实践 | 第31-32页 |
| 2．6 小结 | 第32-34页 |
| 第三章 神经网络非线性控制系统研究 | 第34-46页 |
| 3．1 引言 | 第34-35页 |
| 3．2 神经网络控制方法 | 第35-37页 |
| 3．3 神经网络控制器结构与算法 | 第37-38页 |
| 3．4 神经网络控制器输入参数的选择 | 第38-39页 |
| 3．5 程序实现 | 第39-42页 |
| 3．6 连续搅拌釜反应器CSTR的智能控制应用研究 | 第42-45页 |
| 3．7 小结 | 第45-46页 |
| 第四章 化工过程Benchmark对象的智能控制 | 第46-74页 |
| 4．1 Tennessee Eastman Problem研究的背景 | 第46-48页 |
| 4．2 TE对象的介绍 | 第48-58页 |
| 4．2．1 过程描述 | 第48-52页 |
| 4．2．2 控制目标 | 第52-54页 |
| 4．2．3 过程限制 | 第54页 |
| 4．2．4 产品和入料流的变化要求 | 第54-55页 |
| 4．2．5 动态特性测试和比较 | 第55-56页 |
| 4．2．6 过程优化 | 第56-57页 |
| 4．2．7 潜在的应用 | 第57-58页 |
| 4．3 对象的程序描述及子程序的使用 | 第58-62页 |
| 4．4 对象分析和控制回路设计 | 第62-67页 |
| 4．5 针对该对象的神经网络控制器设计与实现 | 第67-68页 |
| 4．6 控制结果与分析 | 第68-73页 |
| 4．7 小结 | 第73-74页 |
| 第五章 总结 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80页 |