| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 系统辨识概述 | 第10页 |
| 1.2 非线性系统辨识 | 第10-13页 |
| 1.3 模块化非线性模型 | 第13-16页 |
| 1.3.1 Hammerstein模型及其辨识算法 | 第13-15页 |
| 1.3.2 Wiener模型及其辨识算法 | 第15-16页 |
| 1.4 人工神经网络 | 第16-17页 |
| 1.5 论文的主要工作和结构安排 | 第17-19页 |
| 第2章 极值学习机理论与方法 | 第19-25页 |
| 2.1 引言 | 第19-20页 |
| 2.2 单隐层神经网络 | 第20-21页 |
| 2.3 极值学习机 | 第21-23页 |
| 2.4 序贯极值学习机 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 基于极值学习机-Hammerstein模型的非线性系统在线辨识 | 第25-36页 |
| 3.1 引言 | 第25页 |
| 3.2 模型描述 | 第25-28页 |
| 3.2.1 ELM-Hammerstein模型 | 第25-26页 |
| 3.2.2 ELM-Hammerstein模型在线辨识方法 | 第26-28页 |
| 3.3 辨识流程描述 | 第28页 |
| 3.4 仿真实验与分析 | 第28-35页 |
| 3.4.1 时间序列预测 | 第28-32页 |
| 3.4.2 连续搅拌反应釜系统 | 第32-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第4章 基于Laguerre-ELM Wiener模型的非线性系统辨识 | 第36-45页 |
| 4.1 引言 | 第36页 |
| 4.2 模型描述 | 第36-38页 |
| 4.2.1 Laguerre正交滤波器 | 第36-37页 |
| 4.2.2 Laguerre-ELM Wiener模型 | 第37-38页 |
| 4.3 辨识方法描述 | 第38-40页 |
| 4.3.1 Laguerre正交滤波器的设计 | 第38-39页 |
| 4.3.2 非线性部分的设计 | 第39-40页 |
| 4.3.3 模型辨识步骤 | 第40页 |
| 4.4 仿真实验与分析 | 第40-44页 |
| 4.4.1 例 1 | 第40-42页 |
| 4.4.2 例 2 | 第42-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第5章 基于Laguerre-ELM Wiener模型的非线性预测控制 | 第45-59页 |
| 5.1 引言 | 第45页 |
| 5.2 预测控制简介 | 第45-47页 |
| 5.2.1 预测模型 | 第46页 |
| 5.2.2 滚动优化 | 第46页 |
| 5.2.3 反馈校正 | 第46-47页 |
| 5.3 典型的预测控制算法介绍 | 第47-53页 |
| 5.3.1 模型算法控制 | 第47-49页 |
| 5.3.2 动态矩阵控制 | 第49-50页 |
| 5.3.3 广义预测控制 | 第50-53页 |
| 5.3.3.1 预测模型 | 第51-52页 |
| 5.3.3.2 滚动优化 | 第52-53页 |
| 5.4 基于Laguerre-ELM Wiener模型的预测控制 | 第53-55页 |
| 5.4.1 Laguerre-ELM Wiener模型简介 | 第53-54页 |
| 5.4.2 预测控制 | 第54-55页 |
| 5.4.3 参数选择 | 第55页 |
| 5.5 仿真实验与分析 | 第55-58页 |
| 5.6 本章小结 | 第58-59页 |
| 结论 | 第59-60页 |
| 参考文献 | 第60-66页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第66-67页 |
| 致谢 | 第67页 |
