第一章 绪论 | 第1-25页 |
1.1 传统控制的局限和智能控制的发展 | 第7-10页 |
1.2 模糊控制的基本思想 | 第10-12页 |
1.3 模糊控制的优点和缺陷 | 第12-13页 |
1.4 神经网络的特点及其控制的优越性 | 第13-14页 |
1.5 常见的神经网络控制方案及其应用 | 第14-21页 |
1.5.1 有监督控制(Supervised Control) | 第15页 |
1.5.2 直接逆控制(Neural Inverse Control) | 第15-16页 |
1.5.3 内模控制(Internal Model Control) | 第16-17页 |
1.5.4 模型预测控制(Model Predictive Control) | 第17-19页 |
1.5.5 模型参考自适应控制(Model Reference Adaptive Control) | 第19-20页 |
1.5.6 CMAC小脑模型控制 | 第20页 |
1.5.7 再励学习控制(Reinforcement Learning Control) | 第20-21页 |
1.6 常用于控制的几种神经网络 | 第21-25页 |
1.6.1 前向多层神经网络(FNN) | 第21-22页 |
1.6.2 Hopfield网络(HNN) | 第22页 |
1.6.3 自组织特性映射(Kohonen) | 第22-23页 |
1.6.4 小脑模型网络(CMAC) | 第23页 |
1.6.5 径向基函数神经网络(RBF) | 第23-25页 |
第二章 中和过程机理及其常规控制方法 | 第25-40页 |
2.1 pH中和的过程特性和机理模型 | 第25-29页 |
2.1.1 pH值中和过程的特性 | 第25-27页 |
2.1.2 pH值中和过程的机理模型 | 第27-29页 |
2.2 中和过程的不完全微分PID控制 | 第29-32页 |
2.2.1 常规的线性PID控制规律 | 第30-31页 |
2.2.2 采用不完全微分的PID控制 | 第31-32页 |
2.3 非线性PID的参数自整定模型 | 第32-36页 |
2.3.1 线性PID的参数整定 | 第34页 |
2.3.2 非线性PID的参数整定 | 第34-35页 |
2.3.3 仿真研究 | 第35-36页 |
2.4 前馈控制模型 | 第36-40页 |
第三章 基于模糊算法的中和过程前馈控制 | 第40-65页 |
3.1 模糊逻辑系统的组成和分类 | 第40-44页 |
3.1.1 模糊产生器 | 第40-41页 |
3.1.2 模糊数据库和规则库 | 第41-42页 |
3.1.3 模糊推理机 | 第42-43页 |
3.1.4 反模糊化器 | 第43-44页 |
3.2 常见的模糊逻辑系统 | 第44-46页 |
3.3 模糊系统的确定技术 | 第46-57页 |
3.3.1 模糊逻辑系统的反向传播学习算法 | 第46-49页 |
3.3.2 模糊逻辑系统的OLS法确定 | 第49-52页 |
3.3.3 模糊逻辑系统的表格查询学习算法 | 第52-57页 |
3.4 基于模糊控制算法的前馈模型的设计 | 第57-65页 |
第四章 基于ELMAN神经网络的中和过程预测控制算法 | 第65-80页 |
4.1 预测控制的发展 | 第65页 |
4.2 模型预测控制算法 | 第65-70页 |
4.2.1 单步模型算法控制 | 第66-69页 |
4.2.2 多步模型算控制 | 第69-70页 |
4.3 神经网络在中和过程预测控制中的应用 | 第70-78页 |
4.3.1 递归网络辨识动态时延系统 | 第71页 |
4.3.2 Elman神经网络 | 第71-73页 |
4.3.3 改进的Elman神经网络及其学习算法 | 第73-75页 |
4.3.4 辨识结果的优化控制算法 | 第75-76页 |
4.3.5 中和过程的Elman神经网络控制模型 | 第76-78页 |
4.4 中和过程神经网络控制系统的仿真实验 | 第78-80页 |
第五章 PH中和过程自控系统的实现 | 第80-85页 |
5.1 中和过程自动控制方案设计 | 第80-81页 |
5.2 基于模糊算法的前馈控制的实现 | 第81-82页 |
5.3 基于改进ELMAN神经网络反馈控制的实现 | 第82-83页 |
5.4 控制效果分析 | 第83-85页 |
第六章 结束语 | 第85-88页 |
参考文献 | 第88-91页 |
硕士生期间参加的科研项目 | 第91-92页 |
致谢 | 第92页 |