基于神经网络的预测控制在压缩机防喘振中的应用
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 创新点摘要 | 第6-9页 |
| 第一章 概述 | 第9-15页 |
| 1.1 课题研究的目的和意义 | 第9页 |
| 1.2 预测控制的研究现状 | 第9-12页 |
| 1.2.1 预测控制的产生 | 第9-10页 |
| 1.2.2 预测控制的发展 | 第10-11页 |
| 1.2.3 预测控制理论的研究现状 | 第11-12页 |
| 1.3 神经网络预测控制的研究 | 第12-14页 |
| 1.3.1 神经网络预测控制发展 | 第12-13页 |
| 1.3.2 神经网络预测控制存在的问题 | 第13-14页 |
| 1.4 本文的主要内容 | 第14-15页 |
| 第二章 预测控制理论研究 | 第15-23页 |
| 2.1 预测控制的基本原理 | 第15页 |
| 2.2 预测控制的基本结构 | 第15-17页 |
| 2.3 广义预测控制算法原理 | 第17-21页 |
| 2.3.1 预测模型 | 第17-18页 |
| 2.3.2 滚动优化 | 第18-19页 |
| 2.3.3 丢番图方程的解法 | 第19-21页 |
| 2.4 广义预测控制参数的选取 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 非线性系统的神经网络辨识 | 第23-37页 |
| 3.1 神经网络理论介绍 | 第23-26页 |
| 3.1.1 神经网络的基本机理和结构 | 第24-26页 |
| 3.1.2 常用的神经网络及其研究 | 第26页 |
| 3.2 神经网络的建模与辨识 | 第26-30页 |
| 3.2.1 系统建模的一般方法 | 第26-27页 |
| 3.2.2 神经网络的辨识与建模 | 第27-28页 |
| 3.2.3 神经网络系统的辨识步骤 | 第28-30页 |
| 3.2.4 神经网络辨识的特点 | 第30页 |
| 3.3 前馈神经网络BP算法 | 第30-36页 |
| 3.3.1 基于BP算法的多层前馈网络模型 | 第30-33页 |
| 3.3.2 BP网络学习算法的改进 | 第33-34页 |
| 3.3.3 BP神经网络辨识仿真 | 第34-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 非线性多变量系统的神经网络广义预测控制 | 第37-46页 |
| 4.1 问题的提出 | 第37-38页 |
| 4.2 多变量神经网络预测控制 | 第38-44页 |
| 4.2.1 神经网络预测模型 | 第38-41页 |
| 4.2.2 神经网络预测控制器 | 第41-43页 |
| 4.2.3 实时自适应神经网络预测控制策略 | 第43页 |
| 4.2.4 学习率的选取 | 第43-44页 |
| 4.3 多变量控制系统的仿真 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 神经网络预测控制在压缩机防喘振中的应用 | 第46-56页 |
| 5.1 压缩机喘振现象的分析 | 第46-49页 |
| 5.1.1 压缩机喘振的危害 | 第46页 |
| 5.1.2 喘振发生的因素 | 第46-48页 |
| 5.1.3 压缩机的喘振特性分析 | 第48-49页 |
| 5.2 压缩机喘振的控制方案 | 第49-51页 |
| 5.2.1 喘振点的确定 | 第49-50页 |
| 5.2.2 喘振预测数学模型 | 第50-51页 |
| 5.3 神经网络预测控制在压缩机系统中的应用 | 第51-55页 |
| 5.3.1 压缩机系统的预测器和优化控制器的建立 | 第51-53页 |
| 5.3.2 仿真 | 第53-55页 |
| 5.4 本章小结 | 第55-56页 |
| 结论 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 发表文章目录 | 第60-61页 |
| 致谢 | 第61-62页 |
| 中文详细摘要 | 第62-67页 |
