| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第一章 绪论 | 第8-16页 |
| ·研究背景 | 第8-9页 |
| ·本文的主要研究工作 | 第9页 |
| ·神经网络的基本理论 | 第9-11页 |
| ·生物神经元的结构 | 第10-11页 |
| ·人工神经元的数学模型 | 第11页 |
| ·激活函数 | 第11-13页 |
| ·神经网络学习方式 | 第13-14页 |
| ·灌输式学习 | 第13页 |
| ·有监督学习 | 第13页 |
| ·无监督学习 | 第13-14页 |
| ·神经网络的学习规则 | 第14-16页 |
| ·无监督的Hebb学习规则 | 第14页 |
| ·有监督的Delta学习规则 | 第14页 |
| ·有监督的Hebb学习规则 | 第14-16页 |
| 第二章 神经网络的典型模型及其PID自适应控制研究 | 第16-34页 |
| ·典型神经网络模型 | 第16页 |
| ·BP神经网络 | 第16-22页 |
| ·BP神经网络的结构及其算法 | 第16-19页 |
| ·基于BP神经网络参数PID自适应控制研究 | 第19-20页 |
| ·BP神经网络PID自适应研究仿真 | 第20-22页 |
| ·径向基函数神经网络 | 第22-28页 |
| ·径向基函数的结构及其算法 | 第22-24页 |
| ·基于RBF神经网络参数PID自适应控制 | 第24-26页 |
| ·RBF神经网络PID自适应研究仿真 | 第26-28页 |
| ·单神经元 | 第28-31页 |
| ·单神经元PID自适应控制 | 第29-30页 |
| ·单神经元PID自适应研究仿真 | 第30-31页 |
| ·总结 | 第31-34页 |
| 第三章 一类非线性不确定模型的RBF网络自适应控制研究 | 第34-46页 |
| ·非线性不确定系统自适应研究的意义 | 第34页 |
| ·非线性时变模型不确定对象的描述 | 第34-35页 |
| ·RBF神经网络参数对逼近的影响 | 第35-36页 |
| ·根据名义模型设计控制器 | 第36-37页 |
| ·模型不确定部分的RBF网络逼近 | 第37-39页 |
| ·控制器的设计 | 第39-41页 |
| ·仿真研究 | 第41-46页 |
| 第四章 一类非线性不确定模型的自适应控制算法的改进 | 第46-62页 |
| ·问题的提出 | 第46-47页 |
| ·反演控制器的设计 | 第47-49页 |
| ·状态观测器的设计 | 第49-51页 |
| ·RBF网络逼近f(x)和b(x) | 第51-53页 |
| ·仿真实验 | 第53-62页 |
| 第五章 结论 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-70页 |
| 附录 | 第70-76页 |
| 攻读硕士学位期间发表的论文 | 第76页 |
