| 摘要 | 第1-8页 |
| ABSTRACT | 第8-14页 |
| 第一章 绪论 | 第14-33页 |
| ·课题的研究背景 | 第14-15页 |
| ·两层网络学习控制系统 | 第15-18页 |
| ·两层网络学习控制系统架构 | 第15-17页 |
| ·两层网络学习控制系统的基本网络特性 | 第17-18页 |
| ·相关领域的国内外研究进展与现状 | 第18-29页 |
| ·网络控制系统研究的被控对象 | 第18-19页 |
| ·网络控制系统的网络架构 | 第19-20页 |
| ·网络控制系统的建模 | 第20-24页 |
| ·网络控制系统控制策略和稳定性分析 | 第24-26页 |
| ·网络控制系统的学习控制策略研究 | 第26-27页 |
| ·网络控制系统实验研究 | 第27-29页 |
| ·本文的主要工作和特色 | 第29-30页 |
| ·章节安排 | 第30-33页 |
| 第二章 基于快速 RBF神经网络的两层网络学习控制系统自学习模糊控制策略研究 | 第33-52页 |
| ·引言 | 第33-34页 |
| ·基于快速RBF 神经网络的自学习模糊控制策略 | 第34-44页 |
| ·快速RBF 神经网络构造方法研究 | 第34-43页 |
| ·模糊控制策略 | 第43页 |
| ·基于快速RBF 神经网络的自学习模糊控制算法 | 第43-44页 |
| ·基于快速RBF 神经网络的两层NLCS 自学习模糊控制策略方案 | 第44-47页 |
| ·网络不确定性因素处理策略 | 第45页 |
| ·数据包补偿策略 | 第45-47页 |
| ·基于快速RBF 神经网络的两层NLCS 自学习模糊控制策略的仿真研究 | 第47-51页 |
| ·本章小结 | 第51-52页 |
| 第三章 基于带有调整因子 RBF神经网络的两层网络学习控制系统自学习模糊控制策略研究 | 第52-66页 |
| ·引言 | 第52-53页 |
| ·带有调整因子RBF 神经网络构造方法研究 | 第53-62页 |
| ·采用贝叶斯证据框架推理准则1 解释训练准则 | 第53-54页 |
| ·RBF 神经网络的泛化能力 | 第54-55页 |
| ·采用贝叶斯证据框架推理准则2 优化调整因子 | 第55-56页 |
| ·带有调整因子前向回归算法 | 第56-57页 |
| ·算法简化 | 第57-59页 |
| ·算法实现 | 第59页 |
| ·计算复杂度分析 | 第59-60页 |
| ·带有调整因子RBF 神经网络构造方法仿真研究 | 第60-62页 |
| ·基于带有调整因子RBF 神经网络的两层NLCS 自学习模糊控制策略方案 | 第62-63页 |
| ·基于带有调整因子RBF 神经网络的两层NLCS 自学习模糊控制策略仿真研究 | 第63-65页 |
| ·本章小结 | 第65-66页 |
| 第四章 基于带有调整因子自构造 RBF神经网络的两层网络学习控制系统自学习模糊控制策略研究 | 第66-79页 |
| ·引言 | 第66页 |
| ·问题描述 | 第66-68页 |
| ·RBF 神经网络模型 | 第66-67页 |
| ·LOO 交叉验证 | 第67-68页 |
| ·带有调整因子自构造RBF 神经网络方法研究 | 第68-74页 |
| ·算法简化 | 第70-71页 |
| ·算法实现 | 第71-72页 |
| ·计算复杂度分析 | 第72页 |
| ·带有调整因子自构造RBF 神经网络方法仿真研究 | 第72-74页 |
| ·基于带有调整因子RBF 神经网络的两层NLCS 自学习模糊控制策略方案 | 第74-75页 |
| ·基于带有调整因子自构造RBF 神经网络两层NLCS 自学习模糊控制策略仿真研究 | 第75-77页 |
| ·本章小结 | 第77-79页 |
| 第五章 两层网络学习控制系统的强化学习控制策略研究 | 第79-90页 |
| ·引言 | 第79-80页 |
| ·强化学习 | 第80-83页 |
| ·强化学习概述 | 第80-82页 |
| ·Q 学习算法 | 第82-83页 |
| ·Actor-Critic 学习框架 | 第83-85页 |
| ·Actor-Critic 神经网络 | 第83-84页 |
| ·Actor-Critic 神经网络的实现 | 第84-85页 |
| ·两层NLCS 强化学习控制策略方案 | 第85页 |
| ·两层NLCS 强化学习控制策略仿真研究 | 第85-88页 |
| ·本章小结 | 第88-90页 |
| 第六章 多输入多输出网络控制系统切换控制策略研究 | 第90-107页 |
| ·引言 | 第90-91页 |
| ·问题描述 | 第91页 |
| ·采用置零策略的MIMO NCS 建模和稳定性分析 | 第91-99页 |
| ·采用零阶保持器策略的MIMO NCS 建模和稳定性分析 | 第99-103页 |
| ·仿真研究 | 第103-106页 |
| ·本章小结 | 第106-107页 |
| 第七章 基于 SUPMAX 系统的两层网络学习控制系统实验平台研究 | 第107-120页 |
| ·引言 | 第107-108页 |
| ·基于SUPMAX 系统的两层网络学习控制实验平台的构建 | 第108-112页 |
| ·SUPMAX 系统简介 | 第108-109页 |
| ·基于SUPMAX 系统的两层网络学习控制实验平台的结构 | 第109-112页 |
| ·基于SUPMAX 系统的两层网络学习控制实验平台的PID 自整定实验 | 第112-119页 |
| ·整定算法的基本原理 | 第112-114页 |
| ·先进PID 自整定软件功能 | 第114-115页 |
| ·PID 自整定仿真 | 第115-119页 |
| ·本章小结 | 第119-120页 |
| 第八章 总结与展望 | 第120-123页 |
| ·全文总结 | 第120-122页 |
| ·进一步工作展望 | 第122-123页 |
| 附录 A | 第123-127页 |
| A-1 式(3-9)的推导 | 第123页 |
| A-2 式(3-14)的推导 | 第123-124页 |
| A-3 定理3.2 的证明 | 第124-125页 |
| A-4 定理3.3 的证明 | 第125-127页 |
| 参考文献 | 第127-140页 |
| 攻读博士学位期间公开发表的学术论文 | 第140-142页 |
| 攻读博士学位期间参加的科研项目 | 第142-143页 |
| 攻读博士学位期间获得的奖励以及参与的学术工作 | 第143-144页 |
| 致谢 | 第144页 |
