基于微粒群算法的倒立摆控制研究
| 摘要 | 第1-8页 |
| ABSTRACT | 第8-12页 |
| 第1章 绪论 | 第12-20页 |
| ·倒立摆控制系统研究意义 | 第12-14页 |
| ·倒立摆模型的提出 | 第12页 |
| ·倒立摆系统的特性 | 第12-13页 |
| ·倒立摆控制系统研究的意义 | 第13-14页 |
| ·倒立摆系统控制综述 | 第14-16页 |
| ·微粒群优化算法综述 | 第16-18页 |
| ·论文工作介绍 | 第18-19页 |
| ·本文组织结构 | 第19-20页 |
| 第2章 一级直线倒立摆模型 | 第20-30页 |
| ·倒立摆数学模型 | 第20-25页 |
| ·倒立摆系统的微分方程模型 | 第21-22页 |
| ·动力学方程的线性化 | 第22页 |
| ·倒立摆系统的状态空间模型 | 第22-23页 |
| ·倒立摆可控性分析 | 第23-24页 |
| ·倒立摆可观性分析 | 第24-25页 |
| ·倒立摆系统的LQR最优控制 | 第25-28页 |
| ·线性二次型最优调节器原理 | 第25-27页 |
| ·LQR控制器设计与仿真 | 第27-28页 |
| ·本章小结 | 第28-30页 |
| 第3章 PSO算法原理 | 第30-40页 |
| ·引言 | 第30-31页 |
| ·基本PSO算法原理 | 第31-35页 |
| ·算法原理 | 第31-32页 |
| ·算法流程 | 第32-33页 |
| ·PSO算法与遗传算法的比较 | 第33-35页 |
| ·微粒群优化算法改进 | 第35-36页 |
| ·带惯性权重的微粒群算法 | 第35-36页 |
| ·收缩因子法 | 第36页 |
| ·PSO算法参数分析 | 第36-39页 |
| ·惯性权重与最大速度 | 第37-38页 |
| ·加速常数 | 第38页 |
| ·群体规模 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 第4章 基于PSO算法的PID参数优化 | 第40-49页 |
| ·PID参数优化概述 | 第40-42页 |
| ·问题的提出以及研究现状 | 第40页 |
| ·智能PID控制的发展 | 第40-42页 |
| ·基于PSO算法对传统PID参数优化研究 | 第42-48页 |
| ·PIED控制器原理 | 第42-43页 |
| ·PID控制器各参数对控制性能的影响 | 第43-44页 |
| ·基于PSO算法的PID参数整定优化 | 第44-46页 |
| ·仿真实验 | 第46-48页 |
| ·本章小结 | 第48-49页 |
| 第5章 基于PSO算法训练BP网络 | 第49-67页 |
| ·人工神经元的模型结构 | 第49-51页 |
| ·BP神经网络 | 第51-55页 |
| ·BP网络的结构 | 第51-52页 |
| ·BP算法 | 第52-53页 |
| ·BP网络的特点与改进 | 第53-55页 |
| ·基于PSO算法训练BP神经网络 | 第55-58页 |
| ·训练神经网络的PSO算法设计 | 第55-56页 |
| ·基于PSO训练多层前馈神经网络流程 | 第56-58页 |
| ·基于PSO算法训练BP网络实验 | 第58-66页 |
| ·模式识别仿真实验 | 第58-59页 |
| ·非线性函数逼近实验 | 第59-61页 |
| ·PSO算法改进 | 第61-63页 |
| ·PSO算法与BP算法函数逼近效果比较 | 第63-64页 |
| ·PSO与BP算法结合逼近非线性函数实验 | 第64-66页 |
| ·本章小结 | 第66-67页 |
| 第6章 基于PSO算法与BP网络的倒立摆控制 | 第67-76页 |
| ·神经网络控制的基本思想 | 第67-69页 |
| ·基于微粒群算法优化BP网络的倒立摆控制 | 第69-75页 |
| ·倒立摆的系统的状态空间方程 | 第69页 |
| ·BP神经网络控制器 | 第69-70页 |
| ·基于PSO算法训练BP网络的倒立摆控制 | 第70-72页 |
| ·倒立摆控制仿真 | 第72-75页 |
| ·本章小结 | 第75-76页 |
| 结论 | 第76-79页 |
| 致谢 | 第79-80页 |
| 参考文献 | 第80-87页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第87页 |
