| 中文摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第一章 绪论 | 第11-20页 |
| ·选题背景及意义 | 第11-13页 |
| ·自适应逆控制概述 | 第13-17页 |
| ·自适应逆控制的基本思想、原理及特点 | 第13-14页 |
| ·自适应逆控制的发展历程及应用 | 第14-16页 |
| ·现有的自适应逆控制方法 | 第16-17页 |
| ·本文的主要研究内容和章节安排 | 第17-20页 |
| 第二章 基本自适应逆控制方法研究 | 第20-45页 |
| ·引言 | 第20页 |
| ·线性系统的自适应逆控制模型 | 第20-31页 |
| ·自适应 LMS 滤波器 | 第21-22页 |
| ·梯度和 Wiener 解 | 第22-23页 |
| ·最速下降法 | 第23页 |
| ·梯度噪声和权向量噪声 | 第23-26页 |
| ·由梯度噪声产生的过调节 | 第26-27页 |
| ·LMS 算法的稳定性 | 第27-31页 |
| ·权向量均值的稳定性 | 第27-29页 |
| ·权向量方差的收敛性 | 第29-31页 |
| ·自适应逆控制 | 第31-36页 |
| ·自适应建模 | 第31-35页 |
| ·模型失配问题 | 第31-32页 |
| ·理想情况 | 第32-33页 |
| ·具体的建模方法 | 第33-35页 |
| ·自适应逆建模 | 第35-36页 |
| ·自适应扰动消除 | 第36-39页 |
| ·在线扰动消除系统 | 第37页 |
| ·离线扰动消除 | 第37-38页 |
| ·预测在延迟系统中的应用 | 第38-39页 |
| ·自适应逆控制在主汽温系统扰动消除中的应用 | 第39-43页 |
| ·主汽温系统的自适应扰动消除 | 第39-40页 |
| ·主汽温控制系统动态特性 | 第40页 |
| ·主汽温系统扰动消除系统设计 | 第40-42页 |
| ·仿真结果及分析 | 第42-43页 |
| ·小结 | 第43-45页 |
| 第三章 基于 Volterra 级数的非线性系统自适应逆控制方法 | 第45-61页 |
| ·引言 | 第45-46页 |
| ·非线性自适应逆控制的存在性和可行性 | 第46-48页 |
| ·可逆性定义 | 第46-47页 |
| ·系统可逆性判定定理 | 第47页 |
| ·非线性自适应逆控制的可行性 | 第47-48页 |
| ·自适应 Volterra 滤波器 | 第48-54页 |
| ·Volterra 级数 | 第48-49页 |
| ·非线性系统的Volterra 级数描述 | 第49页 |
| ·VPBF 网络 | 第49-51页 |
| ·VPBF 网络的非线性系统辨识 | 第51-54页 |
| ·VPBF 网络结构及参数初值的确定 | 第51-52页 |
| ·利用快速Givens 变换进行VPBF 网络权系数估计 | 第52-53页 |
| ·应用实例及仿真结果分析 | 第53-54页 |
| ·基于简化 VPBF网络的自适应逆前馈控制 | 第54-57页 |
| ·基于简化VPBF 网络的自适应逆前馈控制器设计 | 第54-55页 |
| ·应用实例及仿真结果分析 | 第55-57页 |
| ·基于简化 VPBF网络的直接自适应逆控制 | 第57-60页 |
| ·基于简化VPBF 网络的自适应逆控制器设计 | 第57-58页 |
| ·应用实例及仿真结果分析 | 第58-60页 |
| ·小结 | 第60-61页 |
| 第四章 基于神经网络的自适应逆控制方法 | 第61-84页 |
| ·引言 | 第61页 |
| ·基本的神经网络方法 | 第61-69页 |
| ·BP 网络 | 第62-66页 |
| ·BP 网络表示 | 第62-63页 |
| ·BP 网络用于非线性系统辨识 | 第63-66页 |
| ·RBF 网络 | 第66-69页 |
| ·RBF 网络表示及权值调整算法 | 第66-68页 |
| ·基于RBF 网络的自适应逆控制应用实例 | 第68-69页 |
| ·基于自适应逆控制的神经网络执行器死区逆补偿方案设计 | 第69-74页 |
| ·输入非线性补偿 | 第69-71页 |
| ·执行器死区 | 第71页 |
| ·执行器死区补偿方案设计 | 第71-74页 |
| ·补偿原理 | 第71-72页 |
| ·应用实例及分析 | 第72-74页 |
| ·一种基于自适应逆控制的执行器死区逆补偿新方法 | 第74-83页 |
| ·预备知识 | 第74-76页 |
| ·死区非线性逆补偿 | 第76-80页 |
| ·具有死区逆补偿的二阶神经网络控制器 | 第80-82页 |
| ·神经网络死区补偿的仿真 | 第82-83页 |
| ·小结 | 第83-84页 |
| 第五章 支持向量机在自适应逆控制中的应用 | 第84-97页 |
| ·引言 | 第84页 |
| ·支持向量机的研究背景 | 第84-86页 |
| ·智能技术的发展 | 第84-85页 |
| ·统计学习理论与支持向量机 | 第85-86页 |
| ·支持向量机的应用 | 第86页 |
| ·支持向量机 | 第86-89页 |
| ·广义最优分类面 | 第86-88页 |
| ·支持向量机 | 第88-89页 |
| ·核函数 | 第89页 |
| ·支持向量回归 | 第89-96页 |
| ·支持向量回归基本原理 | 第89-91页 |
| ·基于支持向量回归的在线辨识算法 | 第91-93页 |
| ·正模型的建立 | 第91-93页 |
| ·逆模型的建立 | 第93页 |
| ·基于支持向量回归的自适应逆控制方法应用 | 第93-96页 |
| ·滤波器F 的选取 | 第93页 |
| ·基于支持向量回归的自适应逆控制应用实例 | 第93-96页 |
| ·小结 | 第96-97页 |
| 第六章 多变量系统的自适应逆控制方法 | 第97-111页 |
| ·引言 | 第97页 |
| ·多变量系统自适应逆控制方法 | 第97-104页 |
| ·多变量系统控制方法回顾 | 第97-98页 |
| ·多变量系统内模控制方法 | 第98-100页 |
| ·基于多变量内模控制的 MIMO 系统自适应逆控制方法设计 | 第100-104页 |
| ·V-规范型多变量内模控制器设计 | 第100-102页 |
| ·MIMO 自适应逆控制建模方法 | 第102-104页 |
| ·应用实例及仿真结果分析 | 第104-107页 |
| ·单元机组负荷系统 | 第104-106页 |
| ·钢球磨煤机中间储仓制粉系统 | 第106-107页 |
| ·有时滞多变量自适应逆控制方法设计 | 第107-109页 |
| ·小结 | 第109-111页 |
| 第七章 结论与展望 | 第111-114页 |
| ·主要研究成果 | 第111-112页 |
| ·展望 | 第112-114页 |
| 参考文献 | 第114-124页 |
| 致谢 | 第124-125页 |
| 个人简历、在学期间发表的学术论文及研究成果 | 第125-126页 |
