| 第一章 绪论 | 第1-11页 |
| ·引言 | 第7-8页 |
| ·预测控制的研究进展与展望 | 第8-10页 |
| ·预测控制的研究进展 | 第8-9页 |
| ·预测控制的展望 | 第9-10页 |
| ·本文研究的目的及意义 | 第10页 |
| ·本文的研究内容及安排 | 第10-11页 |
| 第二章 预测控制的理论基础 | 第11-24页 |
| ·预测控制的基本原理 | 第11页 |
| ·预测控制的基本结构 | 第11-13页 |
| ·预测控制中预测模型的数学描述 | 第13-14页 |
| ·动态矩阵控制算法 | 第14-19页 |
| ·预测模型 | 第14-16页 |
| ·反馈校正 | 第16页 |
| ·最优控制律的计算 | 第16-17页 |
| ·相关参数分析 | 第17-18页 |
| ·DMC 的稳定性和鲁棒性 | 第18页 |
| ·动态矩阵控制算法的实现步骤 | 第18-19页 |
| ·广义预测控制（GPC） | 第19-23页 |
| ·模型多步输出预测及Diophantine 方程的递推解 | 第19-22页 |
| ·最优控制律的计算 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第三章 神经网络基础 | 第24-35页 |
| ·神经网络的发展概况 | 第24页 |
| ·人工神经元模型 | 第24-26页 |
| ·人工神经网络的结构 | 第26页 |
| ·神经网络的学习 | 第26-28页 |
| ·学习方式 | 第26-27页 |
| ·学习规则 | 第27-28页 |
| ·多层前向神经网络及误差反向传播（BP）算法 | 第28-30页 |
| ·误差反向传播（BP）算法 | 第28-30页 |
| ·带动量项的自适应调整学习率的BP 算法 | 第30页 |
| ·径向基函数网络及其学习算法 | 第30-33页 |
| ·RBF 网络的结构 | 第31页 |
| ·减法聚类学习算法 | 第31-33页 |
| ·递推最小二乘法（ＲＬＳ） | 第33页 |
| ·自适应线性神经元网络及LMS 算法 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第四章 基于人工神经网络的预测控制 | 第35-51页 |
| ·神经网络非线性多步预测模型 | 第35-37页 |
| ·多步预测模型的类型 | 第35-36页 |
| ·三层前向神经网络预测模型 | 第36-37页 |
| ·神经网络预测控制结构 | 第37-38页 |
| ·多BP 神经网络非线性并行预测控制 | 第38-39页 |
| ·神经网络并行预测模型 | 第38页 |
| ·预测控制器 | 第38-39页 |
| ·控制算法步骤 | 第39页 |
| ·基于径向基函数神经网络的预测控制 | 第39-44页 |
| ·RBF 网络预测控制建模 | 第40页 |
| ·RBF 网络预测控制的优化计算 | 第40-41页 |
| ·一种基于RBF 网络的动态矩阵预测控制 | 第41-44页 |
| ·基于二阶Adaline 网络的广义预测极点配置加权控制器 | 第44-49页 |
| ·被控对象的二阶Adaline 网络模型 | 第45-46页 |
| ·神经网络非线性广义预测控制算法 | 第46-48页 |
| ·P 步加权控制律 | 第48页 |
| ·闭环系统输出方程及闭环极点配置 | 第48-49页 |
| ·显式广义预测零极点配置自校正加权控制器 | 第49页 |
| ·本章小结 | 第49-51页 |
| 第五章 仿真研究 | 第51-57页 |
| ·预测模型辨识 | 第51-54页 |
| ·BP 神经网络模型辨识 | 第51-53页 |
| ·RBF 神经网络模型辨识 | 第53-54页 |
| ·多BP 神经网络非线性并行预测控制仿真 | 第54-55页 |
| ·基于RBF 网络的动态矩阵预测控制仿真 | 第55-56页 |
| ·本章小结 | 第56-57页 |
| 结论 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-61页 |
| 攻读硕士期间发表论文 | 第61-62页 |
| 大庆石油学院 硕士研究生学位论文摘要 | 第62-68页 |