基于小波神经网络的多容水箱液位预测控制
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题研究的背景和概况 | 第10-11页 |
| 1.1.1 探究多容水箱液位控制的现实意义 | 第10页 |
| 1.1.2 国内外在水箱控制中的发展现状 | 第10-11页 |
| 1.2 神经网络概述 | 第11-12页 |
| 1.2.1 神经网络的基本特征及模型 | 第11-12页 |
| 1.2.2 神经网络在控制系统中的发展 | 第12页 |
| 1.3 预测控制的发展现状与研究方向 | 第12-14页 |
| 1.3.1 预测控制发展概述 | 第12-13页 |
| 1.3.2 预测控制策略及原理 | 第13-14页 |
| 1.4 课题研究内容与章节安排 | 第14-15页 |
| 第2章 小波神经网络理论概述 | 第15-24页 |
| 2.1 小波神经网络概述 | 第15-18页 |
| 2.1.1 小波神经网络的发展 | 第15页 |
| 2.1.2 小波神经网络的优点与不足 | 第15-16页 |
| 2.1.3 小波神经网络的参数调整 | 第16-18页 |
| 2.2 小波神经网络的结构 | 第18-21页 |
| 2.2.1 常用的几种小波函数 | 第18-20页 |
| 2.2.2 小波神经网络的模型分类 | 第20-21页 |
| 2.3 小波神经网络优化算法介绍 | 第21-22页 |
| 2.3.1 遗传算法 | 第21-22页 |
| 2.3.2 粒子群算法 | 第22页 |
| 2.4 本章小结 | 第22-24页 |
| 第3章 基于粒子群算法的小波神经网络 | 第24-32页 |
| 3.1 粒子群算法 | 第24-27页 |
| 3.1.1 粒子群算法思想的起源 | 第24页 |
| 3.1.2 粒子群算法原理及流程 | 第24-26页 |
| 3.1.3 粒子群算法的特点 | 第26-27页 |
| 3.2 基于粒子群算法优化小波神经网络研究 | 第27-29页 |
| 3.2.1 粒子群算法改进 | 第27-28页 |
| 3.2.2 改进粒子群算法优化小波神经网络 | 第28-29页 |
| 3.3 基于粒子群算法的小波神经网络逼近仿真 | 第29-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 小波神经网络模型算法预测控制研究 | 第32-49页 |
| 4.1 模型算法控制 | 第32-36页 |
| 4.1.1 脉冲响应模型 | 第32-33页 |
| 4.1.2 模型预测与反馈校正 | 第33-34页 |
| 4.1.3 最优控制律 | 第34-36页 |
| 4.2 基于小波神经网络的模型算法预测控制 | 第36-39页 |
| 4.2.1 预测控制的结构 | 第36-37页 |
| 4.2.2 预测模型的建立 | 第37-38页 |
| 4.2.3 模型算法控制率的计算 | 第38-39页 |
| 4.3 四容水箱的仿真研究 | 第39-47页 |
| 4.3.1 四容水箱模型的建立 | 第39-40页 |
| 4.3.2 四容水箱的解耦控制 | 第40-41页 |
| 4.3.3 四容水箱的模型辨识 | 第41-44页 |
| 4.3.4 四容水箱液位控制系统仿真 | 第44-47页 |
| 4.4 本章小结 | 第47-49页 |
| 第5章 二容水箱的系统设计及应用 | 第49-55页 |
| 5.1 二容水箱的硬件设计 | 第49页 |
| 5.2 二容水箱的软件设计 | 第49-52页 |
| 5.2.1 监控软件与DDC系统的开发 | 第49-51页 |
| 5.2.2 监控软件与VB的通讯配置 | 第51-52页 |
| 5.3 二容水箱的模型预测和实验运行 | 第52-54页 |
| 5.4 本章小结 | 第54-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 攻读硕士学位期间取得的学术成果 | 第59-60页 |
| 致谢 | 第60页 |
