| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题的背景及意义 | 第9-10页 |
| 1.2 潜油电机温度监测的国内外发展现状 | 第10-11页 |
| 1.3 人工神经网络的国内外发展现状 | 第11-12页 |
| 1.4 本文的主要研究内容 | 第12-14页 |
| 第2章 神经网络结构及算法 | 第14-19页 |
| 2.1 引言 | 第14页 |
| 2.2 神经网络的基本理论 | 第14-16页 |
| 2.2.1 神经元模型 | 第14-15页 |
| 2.2.2 神经元互连模式 | 第15-16页 |
| 2.3 神经网络的优势 | 第16页 |
| 2.4 人工神经网络的学习规则 | 第16-17页 |
| 2.5 神经网络设计的一般步骤 | 第17-18页 |
| 2.6 本章小结 | 第18-19页 |
| 第3章 潜油电机温度的估计方法及实验数据的测量 | 第19-26页 |
| 3.1 潜油电机温度的估计方法 | 第19-21页 |
| 3.1.1 电流定向方案 | 第19-20页 |
| 3.1.2 定子电阻整定率 | 第20-21页 |
| 3.2 实验数据的测量 | 第21-25页 |
| 3.3 本章小结 | 第25-26页 |
| 第4章 神经网络对潜油电机温度的辨识 | 第26-43页 |
| 4.1 引言 | 第26页 |
| 4.2 BP网络的结构及学习算法 | 第26-29页 |
| 4.2.1 BP网络算法的思路及结构 | 第26页 |
| 4.2.2 BP算法的数学描述 | 第26-29页 |
| 4.3 基于BP网络对潜油电机温度的辨识 | 第29-33页 |
| 4.3.1 输入层与输出层的设计 | 第29-30页 |
| 4.3.2 隐含层节点数目的确定 | 第30页 |
| 4.3.3 基于BP网络的潜油电机温度辨识 | 第30-33页 |
| 4.3.4 BP算法的缺点 | 第33页 |
| 4.4 RBF网络模型 | 第33-35页 |
| 4.4.1 RBF神经网络结构 | 第34页 |
| 4.4.2 RBF网络的学习方法 | 第34-35页 |
| 4.5 基于RBF神经网络对潜油电机温度的辨识 | 第35-37页 |
| 4.6 RBF网络与BP网络泛化能力的比较 | 第37-42页 |
| 4.6.1 BP网络的泛化能力测试 | 第38-40页 |
| 4.6.2 RBF网络的泛化能力测试 | 第40-42页 |
| 4.7 本章小结 | 第42-43页 |
| 第5章 基于混合学习算法的RBF神经网络 | 第43-51页 |
| 5.1 混合学习算法 | 第43-47页 |
| 5.1.1 减聚类算法 | 第43-44页 |
| 5.1.2 改进的K-means算法的原理及步骤 | 第44-45页 |
| 5.1.3 改进的梯度下降法 | 第45-46页 |
| 5.1.4 利用混合学习算法训练RBF神经网络 | 第46-47页 |
| 5.2 基于混合学习算法与常规学习算法的RBP网络仿真比较 | 第47-50页 |
| 5.2.1 基于混合学习算法的RBF神经网络对潜油电机温度的辨识 | 第47-48页 |
| 5.2.2 基于混合学习算法的RBF神经网络的泛化能力测试 | 第48-50页 |
| 5.3 本章小结 | 第50-51页 |
| 第6章 结论 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 在学研究成果 | 第55-56页 |
| 致谢 | 第56页 |
