摘要 | 第4-7页 |
Abstract | 第7-8页 |
创新点摘要 | 第9-12页 |
第一章 前言 | 第12-20页 |
1.1 人工神经网络的发展历程 | 第12-13页 |
1.2 连续搅拌反应釜的结构与工作原理 | 第13-15页 |
1.2.1 基木结构 | 第14-15页 |
1.2.2 工作原理 | 第15页 |
1.3 连续搅拌反应釜温度控制方案 | 第15-17页 |
1.4 国内外连续反应釜控制技术的研究现状 | 第17-20页 |
第二章 人工神经网络基础理论 | 第20-30页 |
2.0 神经网络的基本概念 | 第20-22页 |
2.0.1 生物神经元的结构 | 第20-21页 |
2.0.2 神经元模型 | 第21-22页 |
2.1 人工神经元模型 | 第22-24页 |
2.2 人工神经元的网络结构 | 第24-25页 |
2.3 人工神经网络的学习规则 | 第25-26页 |
2.4 神经网络的分类 | 第26-29页 |
2.5 本章小结 | 第29-30页 |
第三章 多层前向网络与EBP算法 | 第30-45页 |
3.1 MFNN的逼近能力 | 第30-32页 |
3.2 误差反向传播(EBP)算法原理 | 第32-35页 |
3.3 EBP算法学习速率的调整 | 第35-38页 |
3.4 MFNN的新型二阶学习算法 | 第38-44页 |
3.4.1 Karayiannis的二阶算法 | 第38-39页 |
3.4.2 新型二阶学习算法推导 | 第39-42页 |
3.4.3 算法性能分析 | 第42页 |
3.4.4 仿真实例 | 第42-44页 |
3.5 本章小结 | 第44-45页 |
第四章 带新型混合算法的RBF神经网络 | 第45-63页 |
4.1 RBF神经网络原理 | 第45-52页 |
4.1.1 多变量RBF插值 | 第45-46页 |
4.1.2 正规化理论 | 第46-49页 |
4.1.3 正规化问题的逼近解 | 第49-51页 |
4.1.4 RBF网络基本学习算法 | 第51-52页 |
4.2 带新型混合算法的RBFNN | 第52-59页 |
4.2.1 混合算法原理 | 第52-53页 |
4.2.2 优选聚类算法 | 第53-55页 |
4.2.3 梯度算法 | 第55-57页 |
4.2.4 OLS算法 | 第57-59页 |
4.2.5 带新型混合算法RBFNN的实现 | 第59页 |
4.3 仿真实验 | 第59-62页 |
4.3.1 RBF参数对RBFNN逼近性能的影响 | 第59-61页 |
4.3.2 RBFNN隐层数目对RBFNN逼近性能的影响 | 第61-62页 |
4.4 本章小结 | 第62-63页 |
第五章 基于EBPNN的PID控制系统设计 | 第63-75页 |
5.1 引言 | 第63-64页 |
5.2 连续搅拌反应釜的动态特征 | 第64-66页 |
5.2.1 温度对反应速度的影响 | 第64页 |
5.2.2 反应釜温度动态方程 | 第64-66页 |
5.3 PID控制 | 第66-70页 |
5.3.1 模拟PID算法 | 第67-68页 |
5.3.2 数字PID算法 | 第68-69页 |
5.3.3 PID控制算法的改进 | 第69-70页 |
5.4 基于EBP神经网络的自适应PID控制 | 第70-74页 |
5.4.1 基于EBPNN的自适应PID控制算法 | 第70-72页 |
5.4.2 仿真实验 | 第72-74页 |
5.5 本章小结 | 第74-75页 |
第六章 基于RBFNN的控制系统设计 | 第75-92页 |
6.1 引言 | 第75页 |
6.2 神经网络控制的基本原理 | 第75-77页 |
6.3 基于RBFNN的直接控制系统设计 | 第77-84页 |
6.3.1 问题描述 | 第77-78页 |
6.3.2 控制器设计及稳定性分析 | 第78-82页 |
6.3.3 仿真实例 | 第82-84页 |
6.4 基于RBFNN的自适应控制系统设计 | 第84-90页 |
6.4.1 问题描述 | 第84-85页 |
6.4.2 基于RBFNN的自适应控制器设计 | 第85-86页 |
6.4.3 稳定性分析 | 第86-88页 |
6.4.4 仿真实例 | 第88-90页 |
6.5 本章小结 | 第90-92页 |
结论 | 第92-93页 |
参考文献 | 第93-98页 |
攻读博士期间所参加的科研及发表论文 | 第98-100页 |
致谢 | 第100页 |