基于神经网络的系统辨识方法研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 第一章 绪论 | 第8-20页 |
| ·人工神经网络理论简介 | 第8-11页 |
| ·人工神经网络的发展及现状 | 第8-9页 |
| ·神经网络的模型结构及功能简介 | 第9-11页 |
| ·系统辨识理论综述 | 第11-15页 |
| ·系统辨识的基本原理 | 第11-14页 |
| ·系统辨识的经典方法 | 第14-15页 |
| ·神经网络系统辨识综述 | 第15-17页 |
| ·神经网络在线性系统辨识中的应用 | 第15-16页 |
| ·神经网络在非线性系统辨识中的应用 | 第16-17页 |
| ·本课题研究的意义 | 第17-19页 |
| ·本文的主要研究内容 | 第19-20页 |
| 第二章 神经网络辨识的基本原理 | 第20-30页 |
| ·神经网络的基本要素 | 第20-22页 |
| ·神经元功能函数 | 第20-21页 |
| ·神经元之间的连接形式 | 第21-22页 |
| ·神经网络的学习 | 第22页 |
| ·神经网络系统辨识模型 | 第22-26页 |
| ·系统辨识原理 | 第22-23页 |
| ·系统辨识常用的网络模型 | 第23-26页 |
| ·神经网络集成辨识模型概述 | 第26-29页 |
| ·单一神经网络的局限和解决方法 | 第26-27页 |
| ·神经网络个体生成和结果集成方法 | 第27-28页 |
| ·神经网络集成的研究现状 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 第三章 基于径向基概率神经网络的随机系统辨识 | 第30-43页 |
| ·径向基函数神经网络简介 | 第30-32页 |
| ·RBF神经网络结构 | 第30页 |
| ·RBF网络的输出计算 | 第30-31页 |
| ·RBF学习算法 | 第31-32页 |
| ·径向基概率函数神经网络简介 | 第32-35页 |
| ·核函数概率神经网络相关 | 第32-33页 |
| ·径向基概率神经网络 | 第33-35页 |
| ·基于RBPNN的随机系统辨识 | 第35-39页 |
| ·待识别系统的统一描述 | 第35-36页 |
| ·RBPNN辨识模型的构建 | 第36-38页 |
| ·基于RBPNN网络系统识别的特点 | 第38-39页 |
| ·算例 | 第39-42页 |
| ·模型描述 | 第39-40页 |
| ·建立RBPNN识别模型 | 第40-41页 |
| ·模型检验 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 基于马尔可夫神经网络的动态随机系统辨识 | 第43-54页 |
| ·动态系统辨识简介 | 第43-47页 |
| ·确定性时延神经网络 | 第43-44页 |
| ·马尔可夫模型相关知识 | 第44页 |
| ·HMM神经网络 | 第44-47页 |
| ·基于HMM神经网络的动态系统辨识 | 第47-50页 |
| ·马尔可夫模型与动态系统辨识 | 第48页 |
| ·随机动态系统的马尔可夫描述 | 第48-49页 |
| ·HMM系统辨识神经网络的建立 | 第49-50页 |
| ·算例 | 第50-53页 |
| ·原系统模型 | 第50-51页 |
| ·建立HMM辨识网络 | 第51-52页 |
| ·模型检验 | 第52-53页 |
| ·本章小结 | 第53-54页 |
| 第五章 基于神经网络集成的系统参数辨识 | 第54-63页 |
| ·问题描述及相关概念 | 第54-55页 |
| ·参数辨识的神经网络集成 | 第55-58页 |
| ·网络个体的生成及组合 | 第55-57页 |
| ·参数辨识的神经网络集成模型 | 第57-58页 |
| ·集成网络模型的稳定性分析 | 第58-59页 |
| ·算例 | 第59-62页 |
| ·本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-66页 |
| ·总结 | 第63-64页 |
| ·存在的问题与展望 | 第64-66页 |
| 致谢 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 研究成果 | 第72页 |
