用实测数据建立发动机的神经网络模型
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-5页 |
| 目录 | 第5-7页 |
| 第一章 绪论 | 第7-10页 |
| ·课题的研究背景 | 第7-9页 |
| ·本文的主要内容 | 第9-10页 |
| 第二章 基于自联想网络的智能数字滤波 | 第10-21页 |
| ·人工神经网络（ANN）的起源和发展 | 第10-12页 |
| ·神经网络的基本原理和特征 | 第12-15页 |
| ·人工神经元模型 | 第12-14页 |
| ·人工神经网络 | 第14-15页 |
| ·人工神经网络的优点 | 第15页 |
| ·自联想网络的数字滤波技术 | 第15-20页 |
| ·自联想网络结构 | 第15-16页 |
| ·自联想网络滤波的样本选择 | 第16-17页 |
| ·对理论模型所采集数据的滤波情况 | 第17-18页 |
| ·对实际试车所采集数据的滤波情况 | 第18-20页 |
| ·利用自联想网络进行滤波需要注意的若干问题 | 第20页 |
| ·本章小节 | 第20-21页 |
| 第三章 航空发动机机理建模原理 | 第21-31页 |
| ·数学模型的建立 | 第21-22页 |
| ·双转子结构发动机数学建模原理分析 | 第22-27页 |
| ·涡喷13 发动机数学模型 | 第27-30页 |
| ·本章小节 | 第30-31页 |
| 第四章 神经网络辨识建模理论 | 第31-39页 |
| ·神经网络函数逼近和网络建模 | 第31-35页 |
| ·基本定义 | 第31-33页 |
| ·基本定理 | 第33-34页 |
| ·多层前向人工神经网络网络(MLP)的逼近能力 | 第34-35页 |
| ·神经网络学习样本的收集和整理 | 第35-38页 |
| ·学习样本的收集 | 第35-36页 |
| ·学习样本的整理 | 第36-38页 |
| ·本章小节 | 第38-39页 |
| 第五章 基于神经网络的航空发动机实测数据建模 | 第39-58页 |
| ·反向传播(BP)学习算法基本计算原理 | 第39-44页 |
| ·BP 神经网络辨识发动机试车模型 | 第44-49页 |
| ·涡喷 13 发动机结构性能简介 | 第45-47页 |
| ·对实测数据的 BP 神经网络辨识 | 第47-49页 |
| ·RBF 神经网络辨识发动机试车模型 | 第49-57页 |
| ·RBF 神经网络原理 | 第50-52页 |
| ·RBF 网络的学习算法 | 第52-55页 |
| ·RBF 神经网络辨识发动机试车模型 | 第55-57页 |
| ·本章小节 | 第57-58页 |
| 第六章 结论与展望 | 第58-60页 |
| ·总结 | 第58-59页 |
| ·展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-64页 |
