多模型切换自适应控制系统的研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 课题来源及研究背景和意义 | 第8-10页 |
| 1.1.1 课题来源 | 第8页 |
| 1.1.2 课题研究的背景和意义 | 第8-10页 |
| 1.2 多模型控制发展现状 | 第10-12页 |
| 1.2.1 模型集的建立 | 第10-11页 |
| 1.2.2 模型集的优化 | 第11-12页 |
| 1.2.3 多模型切换系统的稳定性 | 第12页 |
| 1.3 本文主要研究内容 | 第12-14页 |
| 第2章 基于多模型的确定性自适应控制系统 | 第14-27页 |
| 2.1 引言 | 第14页 |
| 2.2 问题描述 | 第14-16页 |
| 2.3 递推最小二乘算法 | 第16-17页 |
| 2.4 多模型切换系统的模型集 | 第17页 |
| 2.5 信号增长率 | 第17-18页 |
| 2.6 稳定性分析 | 第18-22页 |
| 2.7 仿真实例 | 第22-26页 |
| 2.8 本章小结 | 第26-27页 |
| 第3章 基于多模型的随机自适应控制系统 | 第27-50页 |
| 3.1 引言 | 第27页 |
| 3.2 问题描述 | 第27-29页 |
| 3.3 随机模型的参数辨识算法 | 第29-33页 |
| 3.3.1 增广最小二乘算法 | 第29-31页 |
| 3.3.2 扩展预测模型的输出误差法 | 第31-32页 |
| 3.3.3 递推极大似然法 | 第32页 |
| 3.3.4 递推广义最小二乘法 | 第32-33页 |
| 3.4 随机系统的自适应控制 | 第33-38页 |
| 3.4.1 基于ELS算法的自适应控制 | 第33-35页 |
| 3.4.2 基于OEEPM算法的自适应控制 | 第35页 |
| 3.4.3 基于RML和RGLS算法的自适应控制 | 第35页 |
| 3.4.4 多自适应模型的自适应控制 | 第35-38页 |
| 3.5 仿真实例 | 第38-49页 |
| 3.6 本章小结 | 第49-50页 |
| 第4章 基于神经网络的非线性自适应控制 | 第50-64页 |
| 4.1 引言 | 第50页 |
| 4.2 问题描述 | 第50-52页 |
| 4.3 神经网络辨识器和控制器 | 第52-57页 |
| 4.3.1 BP神经网络的结构 | 第52-53页 |
| 4.3.2 反向传播算法 | 第53-56页 |
| 4.3.3 改进的BP学习算法 | 第56-57页 |
| 4.4 传统训练控制器的方法 | 第57-58页 |
| 4.5 一种新的训练控制器的方法 | 第58-59页 |
| 4.6 仿真实例 | 第59-63页 |
| 4.7 本章小结 | 第63-64页 |
| 第5章 基于神经网络和多模型的非线性自适应控制 | 第64-78页 |
| 5.1 引言 | 第64-65页 |
| 5.2 问题描述 | 第65-67页 |
| 5.3 必然等价控制输入 | 第67页 |
| 5.4 线性鲁棒自适应控制 | 第67-69页 |
| 5.5 多模型自适应控制 | 第69-73页 |
| 5.5.1 特殊情形 | 第70-72页 |
| 5.5.2 一般情形 | 第72-73页 |
| 5.6 基于神经网络的自适应控制 | 第73页 |
| 5.7 仿真实例 | 第73-77页 |
| 5.8 本章小结 | 第77-78页 |
| 结论 | 第78-79页 |
| 参考文献 | 第79-84页 |
| 致谢 | 第84页 |
