| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 创新点摘要 | 第6-9页 |
| 第一章 前言 | 第9-18页 |
| 1.1 选题的背景及研究意义 | 第9-12页 |
| 1.2 原稳加热炉控制的研究现状 | 第12-16页 |
| 1.2.1 原稳加热炉简介 | 第12-14页 |
| 1.2.2 PID控制 | 第14页 |
| 1.2.3 Smith预估控制 | 第14-15页 |
| 1.2.4 智能控制 | 第15-16页 |
| 1.3 原稳加热炉控制的发展前景 | 第16-17页 |
| 1.4 论文的主要内容 | 第17-18页 |
| 第二章 加热炉控制系统的基本原理 | 第18-28页 |
| 2.1 引言 | 第18页 |
| 2.2 原稳加热炉控制的PID算法 | 第18-21页 |
| 2.2.1 PID控制的基本原理 | 第18-19页 |
| 2.2.2 PID控制器 | 第19-20页 |
| 2.2.3 数值仿真 | 第20页 |
| 2.2.4 结论 | 第20-21页 |
| 2.3 基于SMITH预估算法的原稳加热炉控制 | 第21-24页 |
| 2.3.1 Smith预估控制的基本原理 | 第21-23页 |
| 2.3.2 数值仿真 | 第23-24页 |
| 2.4 基于串级控制的原稳加热炉控制 | 第24-26页 |
| 2.4.1 串级控制的基本思想 | 第24-25页 |
| 2.4.2 基于串级控制的加热炉控制 | 第25页 |
| 2.4.3 数值仿真 | 第25-26页 |
| 2.4.4 存在的问题和改进方法 | 第26页 |
| 2.5 加热炉系统的大林控制算法 | 第26-28页 |
| 2.5.1 大林算法的基本原理 | 第26-27页 |
| 2.5.2 数值仿真 | 第27-28页 |
| 第三章 神经网络控制理论 | 第28-48页 |
| 3.1 人工神经网络概论及其发展 | 第28-30页 |
| 3.2 单神经元神经网络 | 第30-35页 |
| 3.2.1 生物神经元模型 | 第30页 |
| 3.2.2 单神经元模型 | 第30-32页 |
| 3.2.3 神经网络模型 | 第32-33页 |
| 3.2.4 数值仿真 | 第33-35页 |
| 3.3 PID神经网络 | 第35-37页 |
| 3.3.1 网络结构与输出计算 | 第35-36页 |
| 3.3.2 学习算法 | 第36-37页 |
| 3.4 多层前馈网络与BP算法 | 第37-43页 |
| 3.4.1 网络结构 | 第37-38页 |
| 3.4.2 BP学习算法 | 第38-41页 |
| 3.4.3 BP学习算法的特点 | 第41-42页 |
| 3.4.4 数值仿真 | 第42-43页 |
| 3.5 RBF神经网络 | 第43-48页 |
| 3.5.1 网络输出计算 | 第44页 |
| 3.5.2 网络的学习算法 | 第44-46页 |
| 3.5.3 数值仿真 | 第46-48页 |
| 第四章 基于神经网络补偿的控制算法在加热炉控制中的应用 | 第48-57页 |
| 4.1 引言 | 第48页 |
| 4.2 基于神经网络补偿的控制算法 | 第48-51页 |
| 4.2.1 Smith预估控制 | 第48-49页 |
| 4.2.2 基于BP网络补偿的纯滞后系统控制 | 第49-51页 |
| 4.3 在原稳加热炉控制现场中的应用 | 第51-57页 |
| 4.3.1 加热炉系统的硬件及软件设计 | 第51-52页 |
| 4.3.2 实现的功能及成果 | 第52-57页 |
| 第五章 结论 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 发表文章目录 | 第62-63页 |
| 致谢 | 第63-64页 |
| 详细摘要 | 第64-70页 |