| 第一章 引言 | 第1-14页 |
| 1．1 概述 | 第9-10页 |
| 1．2 容错控制技术的起源及发展 | 第10页 |
| 1．3 当前研究的热点问题 | 第10-11页 |
| 1．4 当前研究中存在的难点问题 | 第11-12页 |
| 1．5 本文的工作 | 第12-14页 |
| 第二章 容错控制基本原理与方法 | 第14-25页 |
| 2．1 容错控制系统的设计方法 | 第14-18页 |
| 2．1．1 容错控制的设计对象 | 第14-17页 |
| 2．1．1．1 关于传感器和执行器故障的容错控制 | 第14-16页 |
| 2．1．1．2 关于控制器故障的容错控制 | 第16-17页 |
| 2．1．2 容错控制系统的设计目标 | 第17页 |
| 2．1．3 容错控制系统的方案 | 第17-18页 |
| 2．2 经典容错控制方法 | 第18-22页 |
| 2．2．1 被动容错控制方法 | 第18-20页 |
| 2．2．2 主动容错控制方法 | 第20-21页 |
| 2．2．3 鲁棒容错控制 | 第21-22页 |
| 2．2．4 非线性系统的故障诊断与容错控制 | 第22页 |
| 2．3 智能容错控制方法 | 第22-25页 |
| 第三章 基于混合神经网络的容错控制系统 | 第25-41页 |
| 3．1 系统总体结构 | 第25-26页 |
| 3．2 基于分层信息融合技术的故障检测系统结构 | 第26-39页 |
| 3．2．1 基于决策距离模糊推理的局部信息融合 | 第28-36页 |
| 3．2．1．1 对传感器信息的一致性处理 | 第29-30页 |
| 3．2．1．2 模糊逻辑系统 | 第30-32页 |
| 3．2．1．3 多传感器数据可靠性加权融合 | 第32-33页 |
| 3．2．1．4 仿真实验 | 第33-36页 |
| 3．2．2 基于模糊神经网络的全局信息融合 | 第36-39页 |
| 3．2．2．1 基于模糊神经网络的故障检测 | 第37-39页 |
| 3．3 基于输出递归神经网络的状态估计器 | 第39-41页 |
| 第四章 对执行器部分失效具有容错能力的自适应模糊神经网络控制器 | 第41-55页 |
| 4．1 执行器容错控制系统结构 | 第42-44页 |
| 4．2 自适应模糊神经网络控制器结构 | 第44-45页 |
| 4．3 自适应模糊神经网络控制器的学习 | 第45-50页 |
| 4．3．1 模型不确定系统的学习问题 | 第45-47页 |
| 4．3．2 神经网络步长优化训练算法 | 第47-48页 |
| 4．3．3 基于步长优化的近似数字微分算法 | 第48-49页 |
| 4．3．4 网络实时训练方式 | 第49-50页 |
| 4．4 自适应模糊神经网络控制器的迭代算法 | 第50-52页 |
| 4．5 仿真试验 | 第52-54页 |
| 4．6 结论 | 第54-55页 |
| 第五章 集成智能容错系统在船舶控制中的应用 | 第55-70页 |
| 5．1 船舶操纵的数学模型 | 第55-56页 |
| 5．2 船舶容错控制系统结构 | 第56-58页 |
| 5．3 舵机故障的模型化处理 | 第58页 |
| 5．4 基于BP网络的自适应控制器 | 第58-65页 |
| 5．4．1 网络结构及算法 | 第58-60页 |
| 5．4．2 仿真实验 | 第60-65页 |
| 5．5 基于模糊神经网络的自适应控制器 | 第65-69页 |
| 5．5．1 网络结构及算法 | 第66-67页 |
| 5．5．2 仿真试验 | 第67-69页 |
| 5．6 结论 | 第69-70页 |
| 结论与展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-77页 |