| 第一章 绪论 | 第1-10页 |
| 1．1 问题的提出 | 第6页 |
| 1．2 预测控制的发展概况 | 第6-7页 |
| 1．3 神经网络的发展概况 | 第7-8页 |
| 1．4 智能优化算法的概况 | 第8-9页 |
| 1．5 本文的主要研究工作 | 第9-10页 |
| 第2章 预测控制基本原理及其控制算法 | 第10-27页 |
| 2．1 预测控制概述 | 第10页 |
| 2．2 预测控制基本原理 | 第10-13页 |
| 2．3 三种典型控制算法 | 第13-26页 |
| 2．3．1 模型算法控制 | 第13-16页 |
| 2．3．2 动态矩阵控制 | 第16-20页 |
| 2．3．3 广义预测控制 | 第20-26页 |
| 2．4 本章小结 | 第26-27页 |
| 第三章 神经网络基本原理及其学习算法 | 第27-35页 |
| 3．1 神经网络简介 | 第27-29页 |
| 3．2 误差反传(BP)网络 | 第29-31页 |
| 3．2．1 BP学习算法 | 第29-31页 |
| 3．2．2 BP算法的限制与不足 | 第31页 |
| 3．3 BP网络的改进算法 | 第31-34页 |
| 3．3．1 基于标准梯度法的网络训练算法 | 第31-33页 |
| 3．3．2 基于数值优化方法的网络训练算法 | 第33-34页 |
| 3．4 本章小结 | 第34-35页 |
| 第4章 基于 BP神经网络的系统辨识 | 第35-46页 |
| 4．1 系统辨识的基本知识 | 第35-37页 |
| 4．1．1 系统辨识的定义 | 第35-36页 |
| 4．1．2 系统辨识的常用方法 | 第36-37页 |
| 4．2 基于神经网络的系统辨识原理 | 第37-39页 |
| 4．3 基于 BP神经网络的系统辨识 | 第39页 |
| 4．4 神经网络的初始权值对学习过程的影响 | 第39-40页 |
| 4．5 神经网络隐含层神经元个数设计 | 第40页 |
| 4．6 神经网络泛化性能分析 | 第40-42页 |
| 4．7 仿真研究 | 第42-45页 |
| 4．8 本章小结 | 第45-46页 |
| 第5章 遗传算法以及遗传算法在神经网络中的应用 | 第46-55页 |
| 5．1 遗传算法基本原理 | 第46-47页 |
| 5．2 遗传算法的特点 | 第47-48页 |
| 5．3 遗传算法的神经网络中的应用 | 第48-50页 |
| 5．3．1 遗传算法优化神经网络的基本思想 | 第48-49页 |
| 5．3．2 遗传算法优化神经网络的权值 | 第49-50页 |
| 5．4 基于遗传算法训练的神经网络在系统辨识中的应用 | 第50-54页 |
| 5．4．1 遗传算法的设计 | 第50-51页 |
| 5．4．2 仿真研究 | 第51-54页 |
| 5．5 本章小结 | 第54-55页 |
| 第六章 基于神经网络的预测控制在晶体生长中的仿真研究 | 第55-63页 |
| 6．1 应用背景 | 第55-56页 |
| 6．2 基于神经网络模型的晶体生长预测控制 | 第56-60页 |
| 6．2．1 基于神经网络的非线性系统模型及其预测 | 第56-57页 |
| 6．2．2 预测控制系统的参数选择 | 第57-58页 |
| 6．2．3 基于遗传算法的滚动优化 | 第58-59页 |
| 6．2．4 控制算法的实现步骤 | 第59-60页 |
| 6．3 仿真研究 | 第60-62页 |
| 6．4 本章小结 | 第62-63页 |
| 结束语 | 第63-64页 |
| 参考文献 | 第64-66页 |
| 致谢 | 第66-67页 |
| 个人简历 | 第67页 |