| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 模型预测控制的发展 | 第11-13页 |
| 1.2 模型预测控制的基本原理 | 第13-17页 |
| 1.2.1 预测模型 | 第14-15页 |
| 1.2.2 滚动优化 | 第15页 |
| 1.2.3 反馈校正 | 第15-17页 |
| 1.3 非线性模型预测控制 | 第17-18页 |
| 1.4 研究的内容与论文结构 | 第18-20页 |
| 第二章 非线性系统黑箱辨识与支持向量机建模 | 第20-38页 |
| 2.1 非线性系统辨识 | 第20-24页 |
| 2.1.1 黑箱模型 | 第20-22页 |
| 2.1.2 几种典型的I/O 模型结构 | 第22-23页 |
| 2.1.3 判断模型优劣的标准 | 第23-24页 |
| 2.2 统计学习基础概念 | 第24-27页 |
| 2.2.1 VC 维理论 | 第25-26页 |
| 2.2.2 推广性的界 | 第26页 |
| 2.2.3 结构风险最小化 | 第26-27页 |
| 2.3 支持向量机基本原理 | 第27-32页 |
| 2.3.1 最优分类超平面 | 第28-30页 |
| 2.3.2 支持向量机函数估计 | 第30-31页 |
| 2.3.3 核函数 | 第31-32页 |
| 2.4 支持向量机用于模型辨识和参数选择 | 第32-34页 |
| 2.5 SVM 辨识仿真 | 第34-36页 |
| 2.6 本章小结 | 第36-38页 |
| 第三章 粒子群优化的基本算法及其原理 | 第38-47页 |
| 3.1 引言 | 第38页 |
| 3.2 粒子群优化算法的基本原理 | 第38-40页 |
| 3.2.1 PSO 基本原理 | 第38-39页 |
| 3.2.2 PSO 算法流程 | 第39页 |
| 3.2.3 PSO 与GA 的异同 | 第39-40页 |
| 3.3 粒子群优化算法的收敛性分析 | 第40-43页 |
| 3.3.1 引言 | 第40-41页 |
| 3.3.2 粒子群优化算法的收敛性理论分析 | 第41-42页 |
| 3.3.3 粒子群优化算法的参数选择 | 第42-43页 |
| 3.4 粒子群优化算法收敛性能仿真 | 第43-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 基于SVM 和PSO 的非线性模型预测控制算法 | 第47-70页 |
| 4.1 引言 | 第47-48页 |
| 4.2 SVM 和PSO 结合用于NMPC 的可行性分析 | 第48-50页 |
| 4.2.1 SVM 模型用于NMPC 的可行性分析 | 第48-49页 |
| 4.2.2 PSO 用于NMPC 实时优化的可行性分析 | 第49页 |
| 4.2.3 SVM 模型和PSO 实时优化结合用于NMPC 的可行性分析 | 第49-50页 |
| 4.3 SVM 和PSO 结合用于NMPC 算法构架及流程 | 第50-56页 |
| 4.3.1 NMPC 问题的提出 | 第50-51页 |
| 4.3.2 预测模型——SVM 模型 | 第51-53页 |
| 4.3.3 滚动优化——PSO 优化 | 第53-54页 |
| 4.3.4 反馈校正 | 第54-55页 |
| 4.3.5 系统结构图和运作流程 | 第55-56页 |
| 4.4 新型NMPC 算法应用于连续过程的仿真研究 | 第56-62页 |
| 4.4.1 CSTR 仿真实例及其分析 | 第56-58页 |
| 4.4.2 对象的SVM 模型 | 第58-60页 |
| 4.4.3 新型NMPC 控制及其仿真 | 第60-62页 |
| 4.4.4 总结分析 | 第62页 |
| 4.5 新型NMPC 算法应用于间歇过程的仿真研究 | 第62-69页 |
| 4.5.1 间歇过程介绍 | 第62-65页 |
| 4.5.2 新型NMPC 应用于一个间歇控制过程 | 第65-68页 |
| 4.5.3 总结分析 | 第68-69页 |
| 4.6 本章小结 | 第69-70页 |
| 第五章 总结与展望 | 第70-73页 |
| 5.1 研究工作总结 | 第70-71页 |
| 5.2 展望 | 第71-73页 |
| 参考文献 | 第73-76页 |
| 致谢 | 第76-77页 |
| 攻读硕士学位期间已发表或录用的论文 | 第77页 |
