| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-11页 |
| 第一章 绪论 | 第11-17页 |
| ·机器学习介绍 | 第11页 |
| ·学习控制介绍 | 第11-12页 |
| ·神经网络介绍 | 第12-16页 |
| ·本文完成的工作介绍 | 第16-17页 |
| 第二章 在线学习及其在控制中的应用 | 第17-25页 |
| ·介绍 | 第17页 |
| ·问题描述 | 第17-18页 |
| ·基于逻辑切换的学习控制算法 | 第18-22页 |
| ·学习控制算法设计 | 第18-20页 |
| ·基于逻辑切换的在线整定算法 | 第20-21页 |
| ·推广到高阶系统 | 第21-22页 |
| ·实验结果 | 第22-25页 |
| 第三章 “一专多能”模块化神经网络离线学习及其在辨识中的应用 | 第25-56页 |
| ·模块化神经网络 | 第25-27页 |
| ·基于“一专多能”的子网训练方法及实现 | 第27-33页 |
| ·“一专多能”的子网训练方法 | 第27-30页 |
| ·Levenberg-Marquardt(LM)训练算法 | 第30-31页 |
| ·基于LM算法的“一专多能”子网训练方法 | 第31-33页 |
| ·相对距离测度 | 第33-34页 |
| ·集成权 | 第34-36页 |
| ·隶属度的次数选择问题 | 第34-35页 |
| ·权重确定与最优化 | 第35-36页 |
| ·辨识问题实验结果 | 第36-56页 |
| ·“一专多能”的子网训练方法在辨识中的性能 | 第37-50页 |
| ·引入相对距离算法的性能表现 | 第50-51页 |
| ·隶属度次数选择对于性能的影响 | 第51-56页 |
| 第四章 “多专多能”模块化神经网络离线学习及其在辨识中的应用 | 第56-78页 |
| ·介绍 | 第56-57页 |
| ·子网学习算法 | 第57-61页 |
| ·子网学习算法设计 | 第57-59页 |
| ·收敛性分析 | 第59-61页 |
| ·多专多能模块化神经网络学习 | 第61-65页 |
| ·单调构造损失函数 | 第61页 |
| ·子网学习条件 | 第61-63页 |
| ·子网集成和整体多专多能学习算法 | 第63-65页 |
| ·辨识问题实验结果 | 第65-71页 |
| ·测试泛化能力和训练时间的实验 | 第65-68页 |
| ·测试多专多能模块化神经网络性能改进的原因及其最大能力 | 第68-71页 |
| ·超级神经网络模型 | 第71-78页 |
| ·介绍 | 第71页 |
| ·超级神经网络 | 第71-75页 |
| ·推广的超级神经网络模型 | 第75-76页 |
| ·仿真超级神经网络 | 第76页 |
| ·超级神经网络的讨论 | 第76-78页 |
| 第五章 总结与展望 | 第78-80页 |
| 参考文献 | 第80-84页 |
| 攻读学位期间发表的学术论文 | 第84页 |
