基于神经网络的水下机器人建模方法研究
| 第1章 绪论 | 第1-20页 |
| ·引言 | 第10页 |
| ·水下机器人的国内外发展状况 | 第10-13页 |
| ·基于神经网络的系统辨识 | 第13-17页 |
| ·神经网络的发展 | 第13-14页 |
| ·系统辨识的应用及研究动向 | 第14-17页 |
| ·水下机器人系统辨识的发展 | 第17页 |
| ·课题的来源及研究意义 | 第17-18页 |
| ·本文的主要工作 | 第18-20页 |
| 第2章 水下机器人的运动模型 | 第20-28页 |
| ·引言 | 第20页 |
| ·“Beaver”水下机器人概述 | 第20-22页 |
| ·水下机器人的运动学模型 | 第22-25页 |
| ·坐标系的选择 | 第22-23页 |
| ·坐标转换 | 第23-24页 |
| ·“Beaver”水下机器人坐标转换矩阵的简化 | 第24-25页 |
| ·水下机器人动力学建模方法 | 第25-27页 |
| ·受力分析 | 第25页 |
| ·推进器建模 | 第25-26页 |
| ·水下机器人模型 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第3章 神经网络的理论基础 | 第28-46页 |
| ·引言 | 第28-29页 |
| ·多层前向神经网络 | 第29-37页 |
| ·网络结构的选定 | 第30页 |
| ·网络学习算法 | 第30-35页 |
| ·网络设计时应注意的事项 | 第35-36页 |
| ·仿真实验 | 第36-37页 |
| ·回归神经网络 | 第37-44页 |
| ·Elman神经网络 | 第38-40页 |
| ·改进的 Elman神经网络 | 第40页 |
| ·复合输入动态回归神经网络 | 第40-41页 |
| ·网络学习算法探讨 | 第41-42页 |
| ·仿真对比实验 | 第42-44页 |
| ·对角神经网络 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 第4章 基于神经网络的非线性系统辨识 | 第46-65页 |
| ·引言 | 第46页 |
| ·神经网络辨识原理 | 第46-52页 |
| ·神经网络辨识非线性系统的理论基础 | 第47-49页 |
| ·常见的神经网络辨识结构 | 第49-52页 |
| ·常见的用于辨识非线性系统的神经网络 | 第52-54页 |
| ·典型的多层前向网络 | 第52-54页 |
| ·动态回归神经网络 | 第54页 |
| ·非线性系统的在线辨识 | 第54-57页 |
| ·SBPTT在线学习算法 | 第55-56页 |
| ·开环系统的辨识 | 第56-57页 |
| ·闭环系统的辨识 | 第57页 |
| ·非线性系统预测模型的建立 | 第57-59页 |
| ·水下机器人的仿真实验 | 第59-64页 |
| ·数学模型的分析 | 第59-60页 |
| ·前向模型辨识实验设计 | 第60-62页 |
| ·多层前向神经网络辨识实验 | 第62页 |
| ·改进的 Elman神经网络辨识实验 | 第62-63页 |
| ·复合输入动态神经网络辨识实验 | 第63-64页 |
| ·仿真实验结果分析 | 第64页 |
| ·本章小结 | 第64-65页 |
| 第5章 水下机器人系统的辨识实验及分析 | 第65-82页 |
| ·引言 | 第65页 |
| ·水下机器人的前向模型的辨识实验 | 第65-79页 |
| ·实验环境介绍 | 第65-67页 |
| ·辨识实验的设计 | 第67-71页 |
| ·实验数据的采集和处理 | 第71-74页 |
| ·辨识网络的训练与测试 | 第74-75页 |
| ·实验结果的比较与分析 | 第75-79页 |
| ·水下机器人的动力学预测模型的辨识实验 | 第79-81页 |
| ·预测模型的建立方法 | 第79页 |
| ·基于预测模型的广义预测控制 | 第79-80页 |
| ·实验及结果分析 | 第80-81页 |
| ·本章小结 | 第81-82页 |
| 结论 | 第82-84页 |
| 参考文献 | 第84-89页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第89-90页 |
| 致谢 | 第90页 |
