| 摘要 | 第1-6页 |
| ABSTRACT | 第6-15页 |
| 第一章 绪论 | 第15-21页 |
| ·引言 | 第15-18页 |
| ·研究背景及现状 | 第18-19页 |
| ·本文研究内容 | 第19-21页 |
| 第二章 一般化学习网络 | 第21-29页 |
| ·一般化学习网络的结构及设计方法 | 第21-23页 |
| ·一般化学习网络的基本结构 | 第21-22页 |
| ·一般化学习网络的常见设计方法 | 第22-23页 |
| ·一般化学习网络的学习算法 | 第23-29页 |
| ·梯度下降法(GDM) | 第23-24页 |
| ·改进的网络结构及其梯度下降法 | 第24-25页 |
| ·基于RasID随机搜索算法的一般化学习网络 | 第25-29页 |
| 第三章 一般化学习网络在混沌时间序列预测中的应用 | 第29-43页 |
| ·混沌时间序列预测 | 第29-31页 |
| ·混沌时间序列 | 第29页 |
| ·时间序列预测 | 第29页 |
| ·混沌时间序列预测 | 第29-30页 |
| ·混沌时间序列的典型例子 | 第30-31页 |
| ·神经网络在混沌时间序列中的应用 | 第31-36页 |
| ·概述 | 第31页 |
| ·BP网络 | 第31-34页 |
| ·BP网络学习算法的改进 | 第34-35页 |
| ·基于改进算法的BP网络的预测 | 第35-36页 |
| ·混合粒子群算法在一般化学习网络中的应用 | 第36-40页 |
| ·基本粒子群算法(PSO) | 第36-38页 |
| ·混合粒子群算法优化一般化学习网络 | 第38-40页 |
| ·混沌时间序列预测结果 | 第40-42页 |
| ·基于梯度下降法的一般化学习网络的预测结果 | 第40-41页 |
| ·基于混合粒子群算法的一般化学习网络的预测结果 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 一般化学习网络在酿酒酵母发酵过程中的应用 | 第43-59页 |
| ·酿酒酵母发酵过程 | 第43-48页 |
| ·酿酒酵母发酵过程概述 | 第43-44页 |
| ·酿酒酵母发酵过程的数学模型 | 第44-47页 |
| ·实验数据 | 第47-48页 |
| ·神经网络辨识 | 第48-51页 |
| ·神经网络正模型辨识 | 第48-49页 |
| ·神经网络逆模型辨识 | 第49-51页 |
| ·一般化学习网络对酿酒酵母发酵过程的建模 | 第51-53页 |
| ·建模数据的选取 | 第51-52页 |
| ·基于状态方程的一般化学习网络结构的确定 | 第52-53页 |
| ·建模结果 | 第53-56页 |
| ·本章小结 | 第56-59页 |
| 第五章 改进的一般化学习网络内模控制在CSTR中的应用 | 第59-79页 |
| ·连续搅拌反应釜系统(CSTR) | 第59页 |
| ·内模控制 | 第59-64页 |
| ·内模控制概述 | 第59-60页 |
| ·内模控制基本原理 | 第60-63页 |
| ·神经网络内模控制 | 第63-64页 |
| ·模糊控制器设计 | 第64-71页 |
| ·模糊控制器的组成 | 第64-67页 |
| ·模糊控制器设计中的一些问题 | 第67-71页 |
| ·改进的一般化学习网络对CSTR建模 | 第71-74页 |
| ·改进的一般化学习网络算法及建模设计 | 第71页 |
| ·建模仿真结果 | 第71-74页 |
| ·改进的一般化学习网络内模控制 | 第74-78页 |
| ·改进的ULN-IMC的设计 | 第74-75页 |
| ·CSTR控制系统的建立 | 第75-77页 |
| ·仿真结果 | 第77-78页 |
| ·本章小结 | 第78-79页 |
| 第六章 总结和展望 | 第79-81页 |
| 参考文献 | 第81-85页 |
| 致谢 | 第85-87页 |
| 研究成果及发表的学术论文 | 第87-89页 |
| 作者和导师简介 | 第89-90页 |
| 北京化工大嵘 硕士研究生学位论文答辩委员会决议书 | 第90-91页 |