基于小波神经网络的某坦克炮平衡与定位控制
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第11-16页 |
| 1.1 课题背景 | 第11-12页 |
| 1.2 坦克炮控系统 | 第12-14页 |
| 1.2.1 国内外炮控系统的现状及其发展 | 第12-13页 |
| 1.2.2 电液式与全电式炮控系统的优缺点 | 第13-14页 |
| 1.3 炮控系统的控制方式 | 第14-15页 |
| 1.4 论文的主要内容 | 第15-16页 |
| 2 坦克炮控系统综述 | 第16-29页 |
| 2.1 坦克炮控电液伺服控制系统的工作流程 | 第16-17页 |
| 2.2 坦克炮身管的平衡 | 第17-18页 |
| 2.3 系统硬件组成简述 | 第18-23页 |
| 2.3.1 控制计算机模块 | 第18页 |
| 2.3.2 数据采集卡 | 第18页 |
| 2.3.3 旋转变压器与数字转换模块 | 第18-20页 |
| 2.3.4 伺服放大器 | 第20-21页 |
| 2.3.5 液压模块及执行机构 | 第21-23页 |
| 2.3.6 发射角度与液压缸伸缩长度间的关系 | 第23页 |
| 2.4 电液伺服系统传递函数 | 第23-28页 |
| 2.4.1 电液伺服系统 | 第23-24页 |
| 2.4.2 电液伺服系统传递函数的建立 | 第24-28页 |
| 2.5 本章小结 | 第28-29页 |
| 3 小波神经网络 | 第29-44页 |
| 3.1 小波分析 | 第29-34页 |
| 3.1.1 小波变换 | 第29-31页 |
| 3.1.2 几种常用小波 | 第31-34页 |
| 3.2 神经网络 | 第34-39页 |
| 3.2.1 人工神经网络简介 | 第34-36页 |
| 3.2.2 神经网络的结构及学习方式 | 第36-37页 |
| 3.2.3 BP神经网络 | 第37-39页 |
| 3.3 小波神经网络 | 第39-43页 |
| 3.3.1 小波神经网络的结构形式 | 第40-41页 |
| 3.3.2 小波神经网络的学习算法 | 第41-42页 |
| 3.3.3 小波神经网络结构的确定 | 第42-43页 |
| 3.4 本章小结 | 第43-44页 |
| 4 电液伺服系统的辨识 | 第44-59页 |
| 4.1 系统辨识基础 | 第44-46页 |
| 4.1.1 系统辨识的内容 | 第44-45页 |
| 4.1.2 系统辨识的步骤 | 第45-46页 |
| 4.2 辨识数据与数据处理 | 第46-51页 |
| 4.2.1 辨识数据的选取 | 第46-48页 |
| 4.2.2 训练模型的设计 | 第48-50页 |
| 4.2.3 辨识数据获取与预处理 | 第50-51页 |
| 4.3 基于BP神经网络的系统辨识 | 第51-54页 |
| 4.3.1 BP神经网络结构设计 | 第52页 |
| 4.3.2 BP神经网络的学习算法 | 第52-54页 |
| 4.4 基于GA-BP神经网络的系统辨识 | 第54-58页 |
| 4.4.1 基于遗传算法优化的BP神经网络算法 | 第55-56页 |
| 4.4.2 GA-BP神经网络的系统辨识 | 第56-58页 |
| 4.6 本章小结 | 第58-59页 |
| 5 系统控制器设计与性能比较 | 第59-74页 |
| 5.1 PID控制器设计 | 第59-63页 |
| 5.1.1 PID控制 | 第59-61页 |
| 5.1.2 基于BP神经网络的PID控制器设计 | 第61-63页 |
| 5.2 小波神经网络控制器设计 | 第63-69页 |
| 5.2.1 自适应控制 | 第64-65页 |
| 5.2.2 神经网络自适应控制 | 第65-67页 |
| 5.2.3 小波神经网络控制器设计 | 第67-69页 |
| 5.3 系统仿真与分析 | 第69-73页 |
| 5.3.1 系统输入阶跃信号的仿真结果与分析 | 第69-72页 |
| 5.3.2 系统输入正弦信号时的结果与分析 | 第72-73页 |
| 5.4 本章小结 | 第73-74页 |
| 6 结束语 | 第74-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-79页 |
| 附录 | 第79-81页 |
