| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及研究意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 研究依托条件 | 第12-13页 |
| 1.4 论文主要内容及意义 | 第13-16页 |
| 第二章 基于改进RBF神经网络的进给系统模型辨识 | 第16-34页 |
| 2.1 前言 | 第16页 |
| 2.2 RBF神经网络基本原理 | 第16-19页 |
| 2.2.1 RBF神经网络的原理和结构 | 第16-17页 |
| 2.2.2 RBF神经网络的学习算法 | 第17-19页 |
| 2.3 基于遗传算法的神经网络优化 | 第19-21页 |
| 2.4 基于粒子群算法的神经网络优化 | 第21-23页 |
| 2.5 改进的RBF神经网络系统辨识 | 第23-32页 |
| 2.5.1 简单系统的改进在线辨识 | 第24-26页 |
| 2.5.2 滚珠丝杠模型离线辨识 | 第26-28页 |
| 2.5.3 滚珠丝杠模型在线辨识 | 第28-32页 |
| 2.6 本章小结 | 第32-34页 |
| 第三章 基于神经网络的PID控制 | 第34-54页 |
| 3.1 前言 | 第34页 |
| 3.2 常规PID控制器设计 | 第34-35页 |
| 3.3 PID参数整定方法 | 第35-36页 |
| 3.4 基于RBF神经网络的PID自校正控制 | 第36-38页 |
| 3.5 滚珠丝杠进给系统实验设备概述 | 第38-39页 |
| 3.6 滚珠丝杠进给系统的动力学分析 | 第39-41页 |
| 3.6.1 刚体动力学分析 | 第39-40页 |
| 3.6.2 柔性体动力学分析 | 第40-41页 |
| 3.7 基于改进神经网络的PID自校正控制仿真和实验 | 第41-50页 |
| 3.7.1 参考轨迹的生成 | 第42页 |
| 3.7.2 仿真研究 | 第42-45页 |
| 3.7.3 实验验证 | 第45-50页 |
| 3.8 单神经元PID与神经网络PID自校正并行控制 | 第50-53页 |
| 3.8.1 单神经元PID算法 | 第50-51页 |
| 3.8.2 仿真研究 | 第51-52页 |
| 3.8.3 实验验证 | 第52-53页 |
| 3.9 本章小结 | 第53-54页 |
| 第四章 基于刚体模型的改进神经网络自适应滑模控制 | 第54-64页 |
| 4.1 前言 | 第54页 |
| 4.2 滑模控制基本原理 | 第54-55页 |
| 4.3 针对刚体动力学特性设计RBF自适应滑模控制 | 第55-58页 |
| 4.3.1 基本原理及算法 | 第56-57页 |
| 4.3.2 稳定性及收敛性分析 | 第57-58页 |
| 4.4 仿真研究 | 第58-60页 |
| 4.4.1 基于PSO的神经网络学习算法仿真 | 第58-59页 |
| 4.4.2 控制器仿真 | 第59-60页 |
| 4.5 实验验证 | 第60-63页 |
| 4.6 本章小结 | 第63-64页 |
| 第五章 基于柔性体模型的神经网络自适应反演控制 | 第64-78页 |
| 5.1 前言 | 第64页 |
| 5.2 包含系统不确定性和外干扰的柔性滚珠丝杠系统模型 | 第64-65页 |
| 5.3 反演控制器的原理 | 第65-66页 |
| 5.4 柔性模型的神经网络反演控制 | 第66-71页 |
| 5.4.1 基本反演控制器设计及稳定性证明 | 第66-70页 |
| 5.4.2 神经网络自适应律设计 | 第70-71页 |
| 5.5 仿真研究 | 第71-73页 |
| 5.6 实验验证 | 第73-77页 |
| 5.7 本章小结 | 第77-78页 |
| 第六章 总结与展望 | 第78-80页 |
| 6.1 总结 | 第78-79页 |
| 6.2 展望 | 第79-80页 |
| 致谢 | 第80-82页 |
| 参考文献 | 第82-86页 |
| 附录A 神经网络反演控制器系统有界性证明 | 第86-88页 |
| 作者简介 | 第88页 |
