| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究意义 | 第8页 |
| 1.2 研究现状 | 第8-11页 |
| 1.2.1 异步电机参数辨识的研究现状 | 第8-9页 |
| 1.2.2 基于神经网络的感应电机参数辨识研究现状 | 第9-10页 |
| 1.2.3 RNN/LSTM研究现状 | 第10-11页 |
| 1.3 本章小结 | 第11-12页 |
| 第二章 异步电机矢量控制原理 | 第12-18页 |
| 2.1 异步电机在三相静止坐标系中的数学模型 | 第12-14页 |
| 2.1.2 异步电机电压方程 | 第12-13页 |
| 2.1.3 异步电机磁链方程 | 第13页 |
| 2.1.4 异步电机转矩方程 | 第13页 |
| 2.1.5 异步电机运动方程 | 第13-14页 |
| 2.2 坐标变换原理与应用 | 第14-17页 |
| 2.2.2 两相静止同旋转正交坐标系之间的变换 | 第15-16页 |
| 2.2.3 异步电动机在两相静止坐标系下的数学模型 | 第16-17页 |
| 2.2.4 异步电动机在旋转坐标系下的数学模型 | 第17页 |
| 2.3 本章小结 | 第17-18页 |
| 第三章 BP、RNN、LSTM-RNN神经网络理论研究 | 第18-44页 |
| 3.1 BP网络的结构及学习算法 | 第18-21页 |
| 3.2 基于BP神经网络对转子电阻的辨识 | 第21-25页 |
| 3.3 RNN神经网络模型与学习算法 | 第25-27页 |
| 3.3.1 RNN神经网络模型原理 | 第25-26页 |
| 3.3.2 RNN神经网络模型理论分析 | 第26-27页 |
| 3.4 基于RNN神经网络的转子电阻参数辨识 | 第27-31页 |
| 3.5 基于LSTM-RNN神经网络的构建和分析 | 第31-37页 |
| 3.5.1 BLSTM介绍 | 第32-34页 |
| 3.5.2 Dropout原理介绍 | 第34-36页 |
| 3.5.3 神经网络激活函数 | 第36-37页 |
| 3.6 基于LSTM-RNN神经网络的转子电阻参数辨识 | 第37-42页 |
| 3.7 本章小结 | 第42-44页 |
| 第四章 基于降噪编码器的转子电阻参数辨识 | 第44-51页 |
| 4.1 自动编码器 | 第44-45页 |
| 4.2 降噪编码器 | 第45-46页 |
| 4.3 logistic回归 | 第46-47页 |
| 4.4 基于自动编码器和降噪编码器转子电阻参数辨识 | 第47-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 实验结果及分析 | 第51-58页 |
| 5.1 实验平台搭建 | 第51页 |
| 5.2 软件设计 | 第51-52页 |
| 5.3 硬件系统设计 | 第52-53页 |
| 5.4 实验结果及分析 | 第53-57页 |
| 5.4.1 未考虑温升的转子电阻参数辨识实验对比 | 第53-55页 |
| 5.4.2 考虑温升的转子电阻参数辨识实验对比 | 第55-56页 |
| 5.4.3 基于自动编码器与降噪编码器转子电阻辨识实验对比 | 第56-57页 |
| 5.5 本章小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 攻读硕士学位期间发表的论文 | 第65页 |
