基于蚁群算法的模糊小波网络控制策略及其应用研究
| 前言 | 第1-11页 |
| 1． 概述 | 第11-15页 |
| 1．1 模糊技术及神经网络的发展现状 | 第11-12页 |
| 1．2 小波分析技术的发展现状 | 第12-13页 |
| 1．3 蚁群算法的发展现状 | 第13页 |
| 1．4 选题的任务及方案 | 第13-15页 |
| 1．4．1 选题的意义、目的及任务 | 第14页 |
| 1．4．2 课题的难点 | 第14-15页 |
| 2． 模糊小波网络及其在控制中的应用 | 第15-30页 |
| 2．1 基于神经网络的几种典型控制结构 | 第15-18页 |
| 2．1．1 基于神经网络的模型辨识 | 第15-16页 |
| 2．1．2 基于神经网络的控制策略 | 第16-18页 |
| 2．2 模糊小波网络的模型结构及其学习算法 | 第18-22页 |
| 2．2．1 模糊小波神经网络的结构形式 | 第19-20页 |
| 2．2．2 模糊小波神经网络的学习算法 | 第20-21页 |
| 2．2．3 仿真研究 | 第21-22页 |
| 2．3 基于模糊小波网络的控制策略 | 第22-28页 |
| 2．3．1 模糊小波网络的控制特点 | 第23页 |
| 2．3．2 基于模糊小波神经网络的辨识器 | 第23-24页 |
| 2．3．3 基于模糊小波神经网络的控制器 | 第24-25页 |
| 2．3．4 基于模糊小波网络的误差消除结构 | 第25-26页 |
| 2．3．5 系统仿真及实验 | 第26-28页 |
| 2．4 本章小结 | 第28-30页 |
| 3． 混合自适应蚁群算法 | 第30-42页 |
| 3．1 蚁群算法的生物学机理 | 第30-31页 |
| 3．2 人工蚁群算法 | 第31-33页 |
| 3．2．1 蚁群算法的原理及数学描述 | 第31-32页 |
| 3．2．2 蚁群算法的几个概念 | 第32-33页 |
| 3．2．3 基本蚁群算法的步骤描述 | 第33页 |
| 3．3 混合自适应蚁群算法 | 第33-39页 |
| 3．3．1 混合自适应蚁群算法的提出及数学描述 | 第33-35页 |
| 3．3．2 混合自适应蚁群算法具体步骤 | 第35-36页 |
| 3．3．3 仿真实例及结果分析 | 第36-39页 |
| 3．3．4 蚁群算法与其它算法的比较 | 第39页 |
| 3．4 基于混合自适应蚁群算法的模糊小波网络 | 第39-41页 |
| 3．4．1 混合自适应蚁群算法的模糊小波网络 | 第39-40页 |
| 3．4．2 仿真结果与分析 | 第40-41页 |
| 3．5 本章小结 | 第41-42页 |
| 4． 实时过程控制 | 第42-56页 |
| 4．1 过程控制装置及其控制指标 | 第42-43页 |
| 4．2 组态软件实时控制系统 | 第43-49页 |
| 4．2．1 组态软件简介及应用 | 第43-44页 |
| 4．2．2 组态实时控制系统 | 第44-48页 |
| 4．2．3 结果分析 | 第48-49页 |
| 4．3 单片机实时控制系统 | 第49-55页 |
| 4．3．1 单片机硬件设计 | 第49-53页 |
| 4．3．2 单片机实时过程控制系统 | 第53页 |
| 4．3．3 结果分析 | 第53-55页 |
| 4．4 本章小结 | 第55-56页 |
| 5． 总结 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 附录 | 第62-73页 |
