径向基函数神经网络及其在船舶运动控制中的应用研究
| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 第1章 绪论 | 第11-20页 |
| ·研究的目的和意义 | 第11-12页 |
| ·国内外相关领域的研究现状 | 第12-16页 |
| ·船舶运动智能控制的研究现状 | 第12-14页 |
| ·预测控制的研究现状 | 第14页 |
| ·径向基函数神经网络算法研究现状 | 第14-16页 |
| ·论文的主要工作和贡献 | 第16-20页 |
| 第2章 径向基函数神经网络 | 第20-35页 |
| ·径向基函数神经网络的基本原理 | 第20-24页 |
| ·径向基函数神经网络常用学习算法 | 第24-34页 |
| ·批处理学习算法 | 第24-29页 |
| ·批处理学习算法简介 | 第24-26页 |
| ·正交最小二乘法 | 第26-29页 |
| ·序贯学习算法 | 第29-34页 |
| ·本章小结 | 第34-35页 |
| 第3章 动态正交结构适应学习算法 | 第35-53页 |
| ·算法介绍 | 第35-44页 |
| ·算法特点 | 第35-36页 |
| ·算法原理 | 第36-43页 |
| ·算法步骤 | 第43-44页 |
| ·算例讨论 | 第44-52页 |
| ·定常系统辨识 | 第44-47页 |
| ·时变系统辨识 | 第47-52页 |
| ·本章小结 | 第52-53页 |
| 第4章 分级偏最小二乘算法 | 第53-65页 |
| ·偏最小二乘法 | 第53-57页 |
| ·偏最小二乘算法原理 | 第54-55页 |
| ·偏最小二乘计算方法 | 第55-57页 |
| ·基于偏最小二乘法的径向基函数神经网络 | 第57-59页 |
| ·分级偏最小二乘算法 | 第59-64页 |
| ·算法介绍 | 第59-61页 |
| ·算例讨论 | 第61-64页 |
| ·本章小结 | 第64-65页 |
| 第5章 船舶操纵运动及干扰的数学模型 | 第65-75页 |
| ·船舶操纵运动数学模型 | 第65-70页 |
| ·船舶运动方程 | 第65-66页 |
| ·整体型船舶运动数学模型 | 第66-69页 |
| ·分离型船舶运动数学模型 | 第69-70页 |
| ·干扰的数学模型 | 第70-74页 |
| ·风的影响模型 | 第70-72页 |
| ·流的影响模型 | 第72-73页 |
| ·浪的影响模型 | 第73-74页 |
| ·本章小结 | 第74-75页 |
| 第6章 径向基函数神经网络在船舶预测控制中的应用 | 第75-105页 |
| ·基于径向基函数神经网络的预测控制 | 第75-80页 |
| ·神经网络预测控制概述 | 第75-77页 |
| ·基于径向基函数神经网络的预测控制结构 | 第77-80页 |
| ·基于DOSA算法的多步预测模型 | 第80-86页 |
| ·多步预测模型的类型 | 第80-82页 |
| ·利用DOSA算法进行多步预测 | 第82-86页 |
| ·基于分级偏最小二乘算法的预测控制器 | 第86-93页 |
| ·非线性系统预测控制算法 | 第86-90页 |
| ·Newton-Raphson预测控制算法 | 第86-87页 |
| ·梯度下降预测控制算法 | 第87-89页 |
| ·神经网络预测模型导数方程 | 第89-90页 |
| ·分级偏最小二乘算法构造预测控制器 | 第90-93页 |
| ·基于径向基函数神经网络的船舶运动预测控制仿真 | 第93-104页 |
| ·本章小结 | 第104-105页 |
| 第7章 结束语 | 第105-107页 |
| ·全文总结 | 第105-106页 |
| ·工作展望 | 第106-107页 |
| 参考文献 | 第107-116页 |
| 攻读学位期间公开发表论文 | 第116-118页 |
| 致谢 | 第118-119页 |
| 研究生履历 | 第119页 |
