摘要 | 第3-4页 |
ABSTRACT | 第4-5页 |
第1章 绪论 | 第9-17页 |
1.1 研究背景 | 第9-10页 |
1.2 吸收式制冷机组的特性与国内外研究现状 | 第10-13页 |
1.2.1 吸收式制冷机组的特性 | 第10-11页 |
1.2.2 吸收式制冷系统国内研究现状 | 第11-13页 |
1.2.2.1 制冷工质对的选择与改进 | 第11-12页 |
1.2.2.2 机组内部结构优化 | 第12页 |
1.2.2.3 机组控制系统的研究 | 第12-13页 |
1.3 神经网络控制的研究发展 | 第13-15页 |
1.3.1 神经网络控制的特点 | 第13-14页 |
1.3.2 神经网络控制的应用类型 | 第14页 |
1.3.3 神经网络控制算法在制冷系统中的应用 | 第14-15页 |
1.4 本文研究内容 | 第15-17页 |
第2章 吸收式制冷机组的原理及数据采集 | 第17-27页 |
2.1 吸收式制冷机组概况 | 第17-20页 |
2.1.1 吸收式制冷机组的分类与结构 | 第17-19页 |
2.1.2 单效吸收式制冷机原理 | 第19-20页 |
2.2 实验系统 | 第20-23页 |
2.3 数据采集 | 第23-26页 |
2.3.1 实验数据采集的步骤 | 第23-24页 |
2.3.2 数据加工 | 第24-25页 |
2.3.3 数据集整理 | 第25-26页 |
2.4 本章小结 | 第26-27页 |
第3章 基于改进BP神经网络的机组建模 | 第27-47页 |
3.1 神经网络理论基础 | 第27-30页 |
3.1.1 神经网络的发展 | 第27-28页 |
3.1.2 神经网络学习算法 | 第28-29页 |
3.1.3 单神经元网络 | 第29-30页 |
3.2 BP神经网络 | 第30-36页 |
3.2.1 BP神经网络的基本特点 | 第30-31页 |
3.2.2 BP神经网络模式识别 | 第31-35页 |
3.2.3 BP神经网络的局限性 | 第35-36页 |
3.3 BP神经网络算法优化 | 第36-41页 |
3.3.1 LM算法 | 第36-39页 |
3.3.2 结构自适应训练方法 | 第39-41页 |
3.4 溴化锂制冷机组模型的建立 | 第41-45页 |
3.4.1 模型的建立 | 第41-43页 |
3.4.2 模型的验证 | 第43-45页 |
3.5 本章小结 | 第45-47页 |
第4章 溴冷机组的神经网络控制 | 第47-61页 |
4.1 RBF神经网络监督控制 | 第47-51页 |
4.1.1 RBF网络结构 | 第47-49页 |
4.1.2 RBF网络监督控制 | 第49-51页 |
4.2 改进单神经元自适应控制 | 第51-56页 |
4.2.1 单神经元自适应PID控制概述 | 第51-52页 |
4.2.2 几种典型的学习规则 | 第52页 |
4.2.3 单神经元PID控制器 | 第52-54页 |
4.2.4 采用二次型性能指标的单神经元PID控制器 | 第54-55页 |
4.2.5 单神经元PID控制器的参数选择 | 第55-56页 |
4.3 改进神经网络控制算法仿真实验 | 第56-59页 |
4.3.1 算法描述 | 第56-57页 |
4.3.2 仿真实验 | 第57-59页 |
4.4 本章小结 | 第59-61页 |
第5章 总结与展望 | 第61-63页 |
5.1 总结 | 第61-62页 |
5.2 展望 | 第62-63页 |
参考文献 | 第63-67页 |
附录 | 第67-69页 |
附录A | 第67页 |
附录B | 第67-69页 |
发表论文和参加科研情况说明 | 第69-71页 |
发表学术论文 | 第69-71页 |
致谢 | 第71页 |