摘要 | 第1-5页 |
ABSTRACT | 第5-8页 |
第一章 绪论 | 第8-12页 |
§1-1 课题研究的背景、意义 | 第8-9页 |
§1-2 本课题在国内外的研究概况、水平和发展趋势 | 第9-10页 |
1-2-1 国内外研究概况 | 第9-10页 |
1-2-2 发展趋势 | 第10页 |
§1-3 本课题的主要研究内容 | 第10-12页 |
第二章 神经网络在预测控制中的应用 | 第12-24页 |
§2-1 广义预测控制 | 第12-17页 |
2-1-1 预测控制的基本原理及其特点 | 第12-13页 |
2-1-2 广义预测控制算法的基本描述 | 第13-17页 |
§2-2 神经网络基本原理 | 第17-21页 |
2-2-1 人工神经网络概述 | 第17页 |
2-2-2 人工神经元模型 | 第17-19页 |
2-2-3 人工神经网络的结构与分类 | 第19-20页 |
2-2-4 神经网络的学习 | 第20-21页 |
§2-3 神经网络在预测控制中的应用 | 第21-23页 |
§2-4 小结 | 第23-24页 |
第三章 MATALAB混合仿真平台 | 第24-40页 |
§3-1 实验装置与系统环境 | 第24-25页 |
§3-2 过程控制混合仿真平台的结构组成 | 第25-26页 |
§3-3 过程控制混合仿真平台实现原理 | 第26-33页 |
3-3-1 混合仿真实验系统的实现原理简介 | 第26-27页 |
3-3-2 Matlab和Simulink简介 | 第27-28页 |
3-3-3 宿主机和目标机 | 第28页 |
3-3-4 Matlab实时仿真环境 | 第28-31页 |
3-3-5 RTWT对I/0 board的支持 | 第31-32页 |
3-3-6 Simulink外部模式下实现参数传递的机制 | 第32-33页 |
§3-4过程控制算法的实现方法 | 第33-34页 |
3-4-1 应用Simulink提供的模块搭建控制器模型 | 第33页 |
3-4-2 编写C语言的S-函数实现控制算法 | 第33-34页 |
3-4-3 应用Embedded MATLAB Function模块编写控制器 | 第34页 |
§3-5实验验证 | 第34-39页 |
3-5-1 仿真平台的实时性验证 | 第35-36页 |
3-5-2 仿真平台的有效性验证 | 第36-39页 |
§3-6 小结 | 第39-40页 |
第四章 基于目标优化的非线性神经网络预测控制 | 第40-59页 |
§4-1 三种网络预测模型 | 第40-47页 |
4-1-1 神经网络预测模型的形式 | 第40-41页 |
4-1-2 BP网络预测模型 | 第41-43页 |
4-1-3 CMAC网络预测模型 | 第43-44页 |
4-1-4 RBF网络预测模型 | 第44-46页 |
4-1-5 仿真研究 | 第46-47页 |
§4-2 改进的目标优化器 | 第47-51页 |
4-2-1 反馈校正 | 第47-48页 |
4-2-2 滚动优化 | 第48-49页 |
4-2-3 仿真研究 | 第49-51页 |
§4-3 非线性多变量系统预测控制 | 第51-54页 |
4-3-1 MIMO系统描述 | 第51页 |
4-3-2 MIMO系统解耦控制器 | 第51-53页 |
4-3-3 仿真研究 | 第53-54页 |
§4-4 应用研究 | 第54-58页 |
§4-5 小结 | 第58-59页 |
第五章 基于PID神经元网络优化的非线性预测控制 | 第59-69页 |
§5-1 PID神经元网络简介 | 第59-61页 |
5-1-1 PID神经元的计算方法 | 第59-60页 |
5-1-2 PID神经网络的基本形式 | 第60-61页 |
§5-2 基于PID神经元网络的预测控制 | 第61-66页 |
5-2-1 PID神经元控制网络的结构 | 第61页 |
5-2-2 PIDNN的前向计算方法 | 第61-63页 |
5-2-3 PIDNN的反传学习计算方法 | 第63-66页 |
§5-3 仿真研究 | 第66-68页 |
§5-4 小结 | 第68-69页 |
第六章 结论与展望 | 第69-71页 |
§6-1 论文完成的主要工作与创新点 | 第69-70页 |
§6-2 工作展望 | 第70-71页 |
参考文献 | 第71-74页 |
致谢 | 第74-75页 |
攻读学位期间所取得的相关科研成果 | 第75页 |