基于数字信号处理器的神经元遗传算法自适应PID控制
| 第一章 绪论 | 第1-25页 |
| 1．1 引言 | 第7页 |
| 1．2 人工神经元网络理论概述 | 第7-16页 |
| 1．2．1 人工神经元网络的概念 | 第7-9页 |
| 1．2．2 人工神经元网络的发展简史 | 第9-10页 |
| 1．2．3 人工神经元网络的结构 | 第10-11页 |
| 1．2．4 人工神经元网络的学习规则 | 第11-13页 |
| 1．2．5 人工神经元网络在控制领域的应用 | 第13-16页 |
| 1．3 遗传算法理论概述 | 第16-20页 |
| 1．3．1 遗传算法的基本概念与原理 | 第17-19页 |
| 1．3．2 遗传算法在控制领域的应用 | 第19-20页 |
| 1．4 仿真工具MATLAB简介 | 第20-21页 |
| 1．5 控制对象的选取——无刷直流电动机 | 第21-24页 |
| 1．6 本课题的研究目的和意义 | 第24-25页 |
| 第二章 单神经元自适应PID控制器 | 第25-41页 |
| 2．1 神经元模型 | 第25-26页 |
| 2．2 神经元学习规则 | 第26-28页 |
| 2．2．1 线性单元的Hebb学习 | 第27-28页 |
| 2．2．2 有教师的Hebb学习规则 | 第28页 |
| 2．3 单神经元自适应控制系统组成 | 第28-29页 |
| 2．4 单神经元自适应PID控制器学习方法 | 第29-32页 |
| 2．5 神经元自适应PID控制器稳定性分析 | 第32-33页 |
| 2．6 单神经元自适应控制算法的改进 | 第33-38页 |
| 2．7 仿真结果 | 第38-41页 |
| 第三章 遗传算法对神经元学习的优化 | 第41-55页 |
| 3．1 遗传算法的步骤意义 | 第41-43页 |
| 3．2 遗传算法优化神经元学习速率 | 第43-49页 |
| 3．3 遗传算法收敛性分析 | 第49-53页 |
| 3．3．1 遗传算法收敛的一般性条件 | 第50-51页 |
| 3．3．2 多重变异算子收敛的条件 | 第51-53页 |
| 3．4 仿真结果 | 第53-55页 |
| 第四章 智能算法在数字信号处理器上的实现 | 第55-71页 |
| 4．1 数字信号处理器的发展简史 | 第55-56页 |
| 4．2 数字信号处理器的基本结构及其特点 | 第56-59页 |
| 4．2．1 哈佛结构 | 第57-58页 |
| 4．2．2 流水线技术 | 第58页 |
| 4．2．3 硬件乘法器 | 第58-59页 |
| 4．2．4 特殊的数字信号处理器指令 | 第59页 |
| 4．3 数字信号处理器芯片的选择 | 第59-62页 |
| 4．4 数字信号处理器的开发工具及软件开发环境 | 第62-63页 |
| 4．5 神经元自适应PID控制软件开发 | 第63-69页 |
| 4．5．1 神经元运算中的定点运算 | 第65-66页 |
| 4．5．2 无刷直流电动机转速测定 | 第66-68页 |
| 4．5．3 其它相关部分的软件实现 | 第68-69页 |
| 4．6 实验结果 | 第69-71页 |
| 第五章 结论与展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-77页 |
| 本人在攻读硕士学位期间发表的论文 | 第77页 |
