神经网络优化理论研究及应用
| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-8页 |
| 第1章 绪论 | 第8-14页 |
| 1．1 本研究课题的学术背景 | 第8页 |
| 1．2 神经网络控制的发展与现状 | 第8-11页 |
| 1．3 板形控制技术的现状及发展方向 | 第11页 |
| 1．4 板形控制存在的问题及研究的意义 | 第11-12页 |
| 1．5 课题来源及论文的结构安排 | 第12-14页 |
| 第2章 神经网络基本理论及学习算法 | 第14-22页 |
| 2．1 神经网络简介 | 第14-15页 |
| 2．2 误差反传（BP）网络 | 第15-18页 |
| 2．2．1 BP学习算法 | 第15-18页 |
| 2．2．2 BP网络的限定与不足 | 第18页 |
| 2．3 径向基函数（RBF）网络 | 第18-21页 |
| 2．3．1 RBF网络输出的计算 | 第19页 |
| 2．3．2 RBF网络的学习算法 | 第19-21页 |
| 2．3．3 RBF网络的优缺点 | 第21页 |
| 2．4 本章小结 | 第21-22页 |
| 第3章 基于遗传算法的前向网络优化设计 | 第22-44页 |
| 3．1 引言 | 第22页 |
| 3．2 遗传算法简介 | 第22-25页 |
| 3．2．1 遗传算法的基本流程 | 第23-24页 |
| 3．2．2 遗传算法的基本特点 | 第24-25页 |
| 3．2．3 遗传算法与神经网络相结合的必要性 | 第25页 |
| 3．3 基于GA的BP网络优化 | 第25-34页 |
| 3．3．1 GA全局优化BP网络 | 第26-33页 |
| 3．3．2 BP算法局部求解 | 第33-34页 |
| 3．4 基于GA的RBF网络优化 | 第34-36页 |
| 3．5 仿真实例 | 第36-43页 |
| 3．5．1 优化BP网络用于倒立摆模型辨识 | 第36-40页 |
| 3．5．2 优化RBF网络用于非线性函数逼近 | 第40-43页 |
| 3．6 本章小结 | 第43-44页 |
| 第4章 优化网络在板形模式识别中的应用 | 第44-59页 |
| 4．1 引言 | 第44-45页 |
| 4．2 优化网络在板形模式识别中的应用 | 第45-55页 |
| 4．2．1 待识别板形的归一化处理 | 第46-47页 |
| 4．2．2 标准板形的归一化处理 | 第47-49页 |
| 4．2．3 神经网络结构及样本的选取 | 第49-50页 |
| 4．2．4 板形识别网络的优化设计 | 第50-54页 |
| 4．2．5 板形缺陷模式的优化网络识别方法的步骤 | 第54-55页 |
| 4．3 实测板形的模式识别 | 第55-58页 |
| 4．4 本章小结 | 第58-59页 |
| 第5章 优化网络在液压弯辊控制中的应用 | 第59-75页 |
| 5．1 引言 | 第59页 |
| 5．2 液压弯辊系统特性分析 | 第59-61页 |
| 5．2．1 液压伺服系统的非线性特性 | 第60页 |
| 5．2．2 液压伺服系统的时变特性 | 第60-61页 |
| 5．3 神经网络内模控制 | 第61-69页 |
| 5．3．1 优化网络用于NNI的建立 | 第62-66页 |
| 5．3．2 优化网络用于NNC的建立 | 第66-69页 |
| 5．4 液压弯辊控制系统的仿真 | 第69-73页 |
| 5．5 本章小结 | 第73-75页 |
| 结论 | 第75-77页 |
| 参考文献 | 第77-82页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第82-83页 |
| 致谢 | 第83-84页 |
| 作者简介 | 第84页 |
