| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题背景及研究的意义和目的 | 第9-10页 |
| 1.2 音圈电机控制方法的研究现状 | 第10-13页 |
| 1.3 深度学习与神经网络的发展与应用 | 第13-15页 |
| 1.3.1 深度学习与神经网络的发展 | 第13-14页 |
| 1.3.2 深度学习与神经网络的应用 | 第14-15页 |
| 1.4 本文的主要研究内容 | 第15-16页 |
| 第2章 深度学习用最优伺服控制数据的获取 | 第16-27页 |
| 2.1 引言 | 第16页 |
| 2.2 音圈电机的结构和模型分析 | 第16-18页 |
| 2.3 优化问题的形成与解决 | 第18-20页 |
| 2.4 音圈电机最优控制数据的生成 | 第20-26页 |
| 2.4.1 基于CPLEX求解优化问题 | 第20-22页 |
| 2.4.2 优化结果的获取和分析 | 第22-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 三种神经网络的研究和伺服控制性能对比 | 第27-47页 |
| 3.1 引言 | 第27页 |
| 3.2 BP神经网络的设计 | 第27-37页 |
| 3.2.1 BP神经网络的结构分析 | 第27-31页 |
| 3.2.2 BP神经网络的参数设计 | 第31-34页 |
| 3.2.3 BP神经网络对伺服数据的学习 | 第34-37页 |
| 3.3 Elman神经网络的设计 | 第37-39页 |
| 3.3.1 Elman神经网络的结构分析 | 第37页 |
| 3.3.2 Elman神经网络的参数设计 | 第37-38页 |
| 3.3.3 Elman神经网络对伺服数据的学习 | 第38-39页 |
| 3.4 RBF神经网络的设计 | 第39-44页 |
| 3.4.1 RBF神经网络的结构分析 | 第39-42页 |
| 3.4.2 RBF神经网络对伺服数据的学习 | 第42-44页 |
| 3.5 三种神经网络的音圈电机伺服性能对比 | 第44-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第4章 基于BP神经网络的位置伺服控制性能与适应性分析 | 第47-59页 |
| 4.1 引言 | 第47页 |
| 4.2 神经网络层数的影响 | 第47-51页 |
| 4.3 神经元个数的影响 | 第51-52页 |
| 4.4 网络输入向量的影响 | 第52-53页 |
| 4.5 被控对象参数变化的影响 | 第53-56页 |
| 4.5.1 转动惯量变化 | 第53-54页 |
| 4.5.2 阻尼系数变化 | 第54-55页 |
| 4.5.3 电感变化 | 第55页 |
| 4.5.4 电阻变化 | 第55-56页 |
| 4.5.5 负载转矩变化 | 第56页 |
| 4.6 速度滤波的影响 | 第56-58页 |
| 4.7 本章小结 | 第58-59页 |
| 第5章 基于BP神经网络的音圈电机位置伺服性能实验验证 | 第59-68页 |
| 5.1 引言 | 第59页 |
| 5.2 实验平台搭建 | 第59-61页 |
| 5.3 BP神经网络伺服性能验证 | 第61-65页 |
| 5.3.1 训练内数据测试 | 第61-62页 |
| 5.3.2 训练外数据测试 | 第62-63页 |
| 5.3.3 参数适应性测试 | 第63-64页 |
| 5.3.4 与PID控制的对比 | 第64-65页 |
| 5.4 实验结果讨论 | 第65-67页 |
| 5.5 本章小结 | 第67-68页 |
| 结论 | 第68-69页 |
| 参考文献 | 第69-74页 |
| 致谢 | 第74页 |