| 摘要 | 第3-6页 |
| ABSTRACT | 第6-9页 |
| 图表索引 | 第12-16页 |
| 第1章 绪论 | 第16-24页 |
| 1.1 课题研究背景及意义 | 第16-17页 |
| 1.2 预测控制的基本原理 | 第17-18页 |
| 1.3 预测控制的研究现状 | 第18-22页 |
| 1.3.1 预测控制中的建模方法 | 第19-21页 |
| 1.3.2 预测控制中的控制律求解方法 | 第21-22页 |
| 1.4 本文主要研究内容 | 第22-24页 |
| 第2章 粒子群优化算法及其改进 | 第24-38页 |
| 2.1 引言 | 第24页 |
| 2.2 粒子群优化算法 | 第24-26页 |
| 2.2.1 基本原理 | 第24-25页 |
| 2.2.2 算法分析 | 第25-26页 |
| 2.3 改进的粒子群优化算法 | 第26-31页 |
| 2.3.1 遗传粒子群算法 | 第27-29页 |
| 2.3.2 混沌粒子群算法 | 第29-31页 |
| 2.4 仿真实验 | 第31-36页 |
| 2.5 本章小结 | 第36-38页 |
| 第3章 基于 CPSO 优化 RBF 神经网络的模型辨识 | 第38-46页 |
| 3.1 引言 | 第38页 |
| 3.2 RBF 神经网络 | 第38-40页 |
| 3.2.1 RBF 神经网络的原理 | 第38-39页 |
| 3.2.2 RBF 神经网络的作用 | 第39-40页 |
| 3.3 CPSO 算法优化 RBF 神经网络 | 第40-41页 |
| 3.4 仿真对比 | 第41-44页 |
| 3.5 本章小结 | 第44-46页 |
| 第4章 基于 GAPSO-RBF 神经网络的非线性预测控制方法 | 第46-60页 |
| 4.1 引言 | 第46页 |
| 4.2 基于 RBFNN 的多步预测模型 | 第46-47页 |
| 4.3 基于遗传粒子群优化的预测控制 | 第47-49页 |
| 4.4 仿真实例 | 第49-58页 |
| 4.5 本章小结 | 第58-60页 |
| 第5章 基于 GAPSO-RBF 神经网络的 CSTR 预测控制 | 第60-72页 |
| 5.1 引言 | 第60页 |
| 5.2 连续搅拌反应釜系统 | 第60-64页 |
| 5.2.1 CSTR 数学模型 | 第60-62页 |
| 5.2.2 CSTR 模型分析 | 第62-64页 |
| 5.3 仿真研究 | 第64-70页 |
| 5.4 本章小结 | 第70-72页 |
| 第6章 工作总结与展望 | 第72-76页 |
| 6.1 研究结论 | 第72-73页 |
| 6.2 工作展望 | 第73-76页 |
| 参考文献 | 第76-82页 |
| 致谢 | 第82-84页 |
| 攻读硕士学位期间发表的学术论文 | 第84页 |
