基于自抗扰控制技术的某坦克炮控系统应用研究
| 摘要 | 第1-4页 |
| Abstract | 第4-10页 |
| 1 绪论 | 第10-16页 |
| ·课题背景 | 第10-11页 |
| ·国内外研究现状及分析 | 第11-15页 |
| ·坦克炮控系统结构 | 第11-12页 |
| ·坦克炮控系统建模方法 | 第12页 |
| ·坦克炮控系统控制方法 | 第12-15页 |
| ·本文的主要工作及研究内容 | 第15-16页 |
| 2 系统半实物仿真实验平台综述 | 第16-21页 |
| ·引言 | 第16页 |
| ·半实物仿真实验平台的设计 | 第16-20页 |
| ·测试装置的功能及技术指标 | 第16页 |
| ·半实物仿真实验平台的工作原理 | 第16-17页 |
| ·半实物仿真实验平台的搭建 | 第17-19页 |
| ·系统软件设计 | 第19-20页 |
| ·本章小结 | 第20-21页 |
| 3 神经网络与遗传算法 | 第21-29页 |
| ·神经网络基础知识 | 第21-23页 |
| ·神经元模型 | 第21-22页 |
| ·神经网络的拓扑结构 | 第22页 |
| ·神经网络的学习 | 第22-23页 |
| ·神经网络的特点及应用 | 第23页 |
| ·BP神经网络 | 第23-25页 |
| ·BP神经网络概述 | 第23-24页 |
| ·BP网络学习算法的特点与改进 | 第24-25页 |
| ·遗传算法 | 第25-28页 |
| ·遗传算法的基本思想 | 第25-26页 |
| ·遗传算法的特点 | 第26-27页 |
| ·遗传算法的流程 | 第27-28页 |
| ·递阶遗传算法简述 | 第28页 |
| ·本章小结 | 第28-29页 |
| 4 基于HGA-BP算法的系统辨识 | 第29-48页 |
| ·系统辨识的基础 | 第29-31页 |
| ·基础理论分析 | 第29-30页 |
| ·辨识的方式 | 第30页 |
| ·辨识的一般步骤 | 第30-31页 |
| ·系统辨识数据的获取及处理 | 第31-36页 |
| ·输入信号的选取 | 第31-32页 |
| ·辨识数据的获取 | 第32-33页 |
| ·辨识数据的处理 | 第33-36页 |
| ·BP神经网络辨识 | 第36-39页 |
| ·BP神经网络算法实现 | 第36-38页 |
| ·BP网络辨识的实现步骤及流程 | 第38-39页 |
| ·HGA-BP算法 | 第39-44页 |
| ·遗传算法优化BP神经网络 | 第39页 |
| ·HGA-BP算法的原理 | 第39-40页 |
| ·HGA-BP算法的设计 | 第40-42页 |
| ·HGA-BP算法的实现步骤及流程 | 第42-44页 |
| ·仿真验证 | 第44-47页 |
| ·本章小结 | 第47-48页 |
| 5 基于遗传算法优化的自抗扰控制器设计 | 第48-69页 |
| ·自抗扰控制器的发展 | 第48-51页 |
| ·概述 | 第48页 |
| ·经典PID的结构及其优缺点 | 第48-50页 |
| ·经典PID控制器参数整定 | 第50页 |
| ·反馈系统中的线性与非线性 | 第50-51页 |
| ·自抗扰控制器的设计 | 第51-54页 |
| ·跟踪微分器 | 第52-53页 |
| ·扩张状态观测器 | 第53页 |
| ·非线性误差反馈控制律 | 第53-54页 |
| ·参数整定 | 第54-57页 |
| ·常规参数整定方法 | 第54-55页 |
| ·二阶ADRC参数整定 | 第55-56页 |
| ·遗传算法在参数整定中的应用 | 第56-57页 |
| ·自抗扰控制器的MATLAB实现 | 第57-59页 |
| ·仿真验证 | 第59-68页 |
| ·测试信号的选择 | 第59-60页 |
| ·仿真实验及结果分析 | 第60-68页 |
| ·实验结论 | 第68页 |
| ·本章小结 | 第68-69页 |
| 结论 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 附录 | 第75-76页 |
