| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-11页 |
| 第1章 绪论 | 第11-25页 |
| 1.1 研究背景与研究意义 | 第11-13页 |
| 1.2 迟滞非线性模型简介 | 第13-19页 |
| 1.2.1 Preisach 模型 | 第14-16页 |
| 1.2.2 KP 模型 | 第16-18页 |
| 1.2.3 Duhem 模型 | 第18页 |
| 1.2.4 PI 模型 | 第18-19页 |
| 1.3 迟滞逆补偿方法及复合控制方法 | 第19-20页 |
| 1.4 MSMA 执行器控制方法研究概况 | 第20-23页 |
| 1.4.1 国外研究概况 | 第21-22页 |
| 1.4.2 国内研究概况 | 第22-23页 |
| 1.5 本文主要的研究内容 | 第23-25页 |
| 第2章 基于神经网络的迟滞非线性建模 | 第25-39页 |
| 2.1 基于 PID 神经网络的迟滞非线性建模 | 第25-33页 |
| 2.1.1 PID 神经网络结构 | 第25-27页 |
| 2.1.2 经典梯度下降算法和改进的梯度下降算法 | 第27-29页 |
| 2.1.3 仿真研究 | 第29-33页 |
| 2.2 基于 BP 神经网络的迟滞非线性建模 | 第33-37页 |
| 2.2.1 BP 神经网络的结构 | 第33-34页 |
| 2.2.2 BP 神经网络的学习算法 | 第34-36页 |
| 2.2.3 仿真研究 | 第36-37页 |
| 2.3 本章小结 | 第37-39页 |
| 第3章 基于 PI 模型的迟滞非线性建模 | 第39-49页 |
| 3.1 play 算子 | 第39-40页 |
| 3.2 PI 模型结构 | 第40页 |
| 3.3 权值辨识算法 | 第40-43页 |
| 3.3.1 经典粒子群算法 | 第41-42页 |
| 3.3.2 改进的交叉遗传粒子群算法 | 第42-43页 |
| 3.4 仿真研究 | 第43-47页 |
| 3.4.1 经典粒子群算法仿真研究 | 第44-46页 |
| 3.4.2 交叉遗传粒子群算法仿真研究 | 第46-47页 |
| 3.5 本章小结 | 第47-49页 |
| 第4章 基于 PI 模型的 MSMA 执行器控制系统设计 | 第49-67页 |
| 4.1 基于 PI 模型的前馈控制 | 第49-57页 |
| 4.1.1 PI 逆模型的建立 | 第49-50页 |
| 4.1.2 PI 逆模型辨识算法 | 第50-52页 |
| 4.1.3 PI 逆模型的仿真研究 | 第52-53页 |
| 4.1.4 基于 PI 迟滞逆模型的前馈控制仿真研究 | 第53-57页 |
| 4.2 基于 PI 模型的复合控制 | 第57-65页 |
| 4.2.1 PID 控制方法简介 | 第58-59页 |
| 4.2.2 复合控制方案设计 | 第59-60页 |
| 4.2.3 整定 PID 控制参数的交叉遗传粒子群算法 | 第60-62页 |
| 4.2.4 基于交叉粒子群算法整定的 PID 复合控制仿真研究 | 第62-65页 |
| 4.3 本章小结 | 第65-67页 |
| 第5章 总结与展望 | 第67-69页 |
| 5.1 全文总结 | 第67-68页 |
| 5.2 未来工作方向 | 第68页 |
| 5.3 未来展望 | 第68-69页 |
| 参考文献 | 第69-75页 |
| 作者简介及在学期间的科研成果 | 第75-77页 |
| 致谢 | 第77页 |
