摘要 | 第5-7页 |
Abstract | 第7-8页 |
第1章 绪论 | 第12-20页 |
1.1 课题背景及研究意义 | 第12-14页 |
1.2 高浓磨浆系统过程描述及动态特性分析 | 第14-16页 |
1.2.1 化学机械制浆工业流程 | 第14-15页 |
1.2.2 高浓磨浆系统过程描述 | 第15-16页 |
1.2.3 高浓磨浆系统动态特性分析 | 第16页 |
1.3 高浓磨浆系统建模与控制发展现状 | 第16-17页 |
1.4 随机分布控制理论在高浓磨浆系统建模控制中的应用 | 第17页 |
1.5 本文研究内容与结构安排 | 第17-20页 |
第2章 基于随机分布控制与B样条基函数的输出纤维形态分布PDF逼近与权值解耦 | 第20-30页 |
2.1 引言 | 第20页 |
2.2 随机分布控制 | 第20-27页 |
2.2.1 B样条神经元网络基础 | 第20-22页 |
2.2.2 有界随机系统输出概率密度函数的瞬时逼近原理 | 第22-23页 |
2.2.3 随机分布控制B样条模型 | 第23-27页 |
2.3 基于随机分布控制理论的高浓磨输出纤维形态分布B样条模型 | 第27-29页 |
2.3.1 输出纤维形态分布PDF平方根B样条逼近 | 第27-28页 |
2.3.2 输出纤维形态分布PDF模型权值动态解耦 | 第28-29页 |
2.4 本章小结 | 第29-30页 |
第3章 高浓磨浆系统输出纤维形态分布PDF模型的建立 | 第30-48页 |
3.1 引言 | 第30页 |
3.2 基于小波神经网络的纤维形态分布PDF模型 | 第30-39页 |
3.2.1 小波神经网络权值模型结构 | 第30-31页 |
3.2.2 小波神经网络 | 第31-32页 |
3.2.3 小波神经网络学习算法 | 第32-33页 |
3.2.4 小波神经网络内部参数修正 | 第33-34页 |
3.2.5 仿真试验 | 第34-39页 |
3.3 基于子空间辨识的动态权值模型 | 第39-47页 |
3.3.1 系统相关矩阵 | 第40-42页 |
3.3.2 使用广义可观测矩阵方法辨识系统矩阵 | 第42-43页 |
3.3.3 仿真试验 | 第43-47页 |
3.4 本章小结 | 第47-48页 |
第4章 基于范数优化的高浓磨随机分布系统输出PDF迭代学习控制 | 第48-64页 |
4.1 引言 | 第48页 |
4.2 随机分布系统输出PDF控制方法 | 第48-50页 |
4.2.1 迭代学习在随机分布控制中的应用 | 第48-49页 |
4.2.2 迭代学习控制基本原理 | 第49-50页 |
4.3 基于范数优化的随机分布系统迭代学习控制算法 | 第50-55页 |
4.3.1 范数优化迭代学习控制算法 | 第50-51页 |
4.3.2 范数优化迭代学习控制算法的求解 | 第51-55页 |
4.4 基于范数优化迭代学习控制算法的输出纤维形态分布PDF控制 | 第55-59页 |
4.4.1 高浓磨随机分布系统的范数优化迭代学习控制策略 | 第55-56页 |
4.4.2 高浓磨随机分布系统的范数优化迭代学习控制算法实现 | 第56-58页 |
4.4.3 自适应迭代学习率 | 第58-59页 |
4.5 仿真试验 | 第59-63页 |
4.6 本章小结 | 第63-64页 |
第5章 基于遗传算法与范数优化的不确定非线性高浓磨随机系统输出PDF鲁棒迭代学习控制 | 第64-84页 |
5.1 引言 | 第64-65页 |
5.2 不确定非线性随机分布系统范数优化的遗传算法实现 | 第65-69页 |
5.2.1 遗传算法简介 | 第66-67页 |
5.2.2 基于遗传算法的范数优化迭代学习控制算法 | 第67-69页 |
5.3 非线性高浓磨随机系统有扰动存在情况下范数优化迭代学习控制算法的鲁棒性分析 | 第69-72页 |
5.4 基于遗传算法与范数优化的输出纤维形态分布PDF迭代学习控制策略 | 第72-73页 |
5.5 仿真试验 | 第73-82页 |
5.5.1 系统输出纤维形态分布PDF恒定跟踪 | 第74-78页 |
5.5.2 系统输出纤维形态分布PDF随动跟踪 | 第78-82页 |
5.6 本章小结 | 第82-84页 |
第6章 结论与展望 | 第84-86页 |
6.1 本文工作 | 第84-85页 |
6.2 工作展望 | 第85-86页 |
参考文献 | 第86-90页 |
致谢 | 第90-92页 |
硕士期间主要工作 | 第92页 |