| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 课题研究的背景及意义 | 第10页 |
| 1.2 测功机加载系统的研究综述 | 第10-14页 |
| 1.2.1 测功机的分类 | 第10-12页 |
| 1.2.2 测功机加载系统的研究现状 | 第12-13页 |
| 1.2.3 测功机加载系统的发展趋势 | 第13-14页 |
| 1.3 测功机加载系统的控制策略 | 第14-17页 |
| 1.3.1 非线性系统的控制策略 | 第14-15页 |
| 1.3.2 人工神经网络的起源与发展 | 第15-17页 |
| 1.3.3 神经网络在非线性系统上的应用 | 第17页 |
| 1.4 论文结构安排 | 第17-19页 |
| 第2章 测功机加载系统总体方案与设计 | 第19-30页 |
| 2.1 测功机加载系统总体方案设计 | 第19-20页 |
| 2.2 关键部件选型 | 第20-23页 |
| 2.2.1 电涡流测功机 | 第20-21页 |
| 2.2.2 传感器 | 第21-23页 |
| 2.3 加载系统硬件设计 | 第23-28页 |
| 2.3.1 驱动器设计 | 第23-26页 |
| 2.3.2 控制器设计 | 第26-28页 |
| 2.4 加载系统软件设计 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 测功机加载系统建模 | 第30-40页 |
| 3.1 测功机内部结构及工作原理 | 第30-31页 |
| 3.2 机理建模 | 第31-39页 |
| 3.2.1 机理建模的研究现状 | 第31页 |
| 3.2.2 制动扭矩计算公式 | 第31-35页 |
| 3.2.3 测功机结构参数的确定 | 第35-36页 |
| 3.2.4 机理模型的数据验证 | 第36-39页 |
| 3.3 本章小结 | 第39-40页 |
| 第4章 动态神经网络辨识器 | 第40-56页 |
| 4.1 人工神经网络的结构 | 第40-43页 |
| 4.1.1 人工神经网络模型结构 | 第40-42页 |
| 4.1.2 人工神经网络拓扑结构 | 第42页 |
| 4.1.3 人工神经网络的学习算法和训练算法 | 第42-43页 |
| 4.2 Elman神经网络 | 第43-44页 |
| 4.2.1 Elman网络结构 | 第43-44页 |
| 4.2.2 改进型Elman神经网络 | 第44页 |
| 4.3 双隐层动态递归神经网络 | 第44-49页 |
| 4.3.1 DLDRNN网络结构 | 第45页 |
| 4.3.2 DLDRNN权值更新算法 | 第45-48页 |
| 4.3.3 DLDRNN的灵敏度求解 | 第48-49页 |
| 4.4 状态延迟输入动态递归神经网络 | 第49-53页 |
| 4.4.1 SDIDRNN网络结构 | 第50-51页 |
| 4.4.2 SDIDRNN权值更新算法 | 第51-52页 |
| 4.4.3 SDIDRNN灵敏度求解 | 第52-53页 |
| 4.5 动态递归神经网络辨识效果 | 第53-55页 |
| 4.6 本章小结 | 第55-56页 |
| 第5章 基于DRNN的单神经元自适应PID控制算法 | 第56-69页 |
| 5.1 单神经元自适应PID控制器的原理与设计 | 第56-59页 |
| 5.1.1 PID控制原理 | 第56-57页 |
| 5.1.2 单神经元自适应PID控制原理 | 第57-59页 |
| 5.2 基于DRNN的单神经元自适应PID控制算法原理与设计 | 第59-60页 |
| 5.3 测功机加载系统的算法仿真研究 | 第60-68页 |
| 5.3.1 仿真模型建立 | 第61-62页 |
| 5.3.2 仿真结果和分析 | 第62-68页 |
| 5.4 本章小结 | 第68-69页 |
| 结论 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 攻读学位期间发表论文与研究成果清单 | 第75-76页 |
| 致谢 | 第76页 |