| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 1 绪论 | 第11-28页 |
| ·问题背景和历史发展 | 第11-17页 |
| ·预测控制方法的历史发展 | 第12-15页 |
| ·模型未知非线性系统的建模方法研究 | 第15-17页 |
| ·神经网络在预测控制中的应用研究现状 | 第17-19页 |
| ·微粒群优化和模糊聚类方法研究现状 | 第19-25页 |
| ·微粒群优化方法的研究现状 | 第19-21页 |
| ·模糊聚类分析方法概述 | 第21-25页 |
| ·论文主要研究内容和结构安排 | 第25-28页 |
| 2 基于高斯微粒群算法的模型参数在线优化 | 第28-57页 |
| ·引言 | 第28-29页 |
| ·微粒群算法 | 第29-32页 |
| ·高斯微粒群优化算法 | 第32-48页 |
| ·高斯微粒群算法结构 | 第32-35页 |
| ·高斯微粒群算法的稳定性 | 第35-39页 |
| ·高斯微粒群标准测试函数仿真分析 | 第39-48页 |
| ·基于高斯微粒群算法的回声状态神经网络在线参数优化 | 第48-56页 |
| ·回声状态神经网络结构 | 第49-50页 |
| ·基于高斯微粒群的在线学习算法 | 第50-52页 |
| ·非线性系统预测和建模仿真分析 | 第52-56页 |
| ·本章小结 | 第56-57页 |
| 3 基于模糊C均值聚类的微粒群大规模参数优化 | 第57-96页 |
| ·引言 | 第57-58页 |
| ·基于线性分配的模糊C均值两阶段聚类方法 | 第58-67页 |
| ·基本模糊C均值聚类算法 | 第58-60页 |
| ·基于线性分配的初始点选择方法 | 第60-63页 |
| ·数据聚类仿真示例 | 第63-67页 |
| ·基于单点逼近的加权模糊C均值半监督聚类方法 | 第67-83页 |
| ·聚类属性加权算法分析 | 第67-70页 |
| ·基于单点逼近的半监督初始点选择方法 | 第70-73页 |
| ·数据聚类仿真示例 | 第73-83页 |
| ·基于模糊聚类和信赖域的动态多种群协同大规模优化 | 第83-94页 |
| ·FT-DNPSO算法框架 | 第84-85页 |
| ·基于信赖域方法自适应搜索范围调整 | 第85-86页 |
| ·动态邻域多种群微粒群参数优化 | 第86-89页 |
| ·大规模参数优化仿真分析 | 第89-94页 |
| ·本章小结 | 第94-96页 |
| 4 基于微粒群优化的动态前馈神经网络预测控制 | 第96-126页 |
| ·引言 | 第96-97页 |
| ·基于高斯微粒群优化的动态前馈神经网络 | 第97-101页 |
| ·动态前馈神经网络结构 | 第97-99页 |
| ·基于高斯微粒群优化的网络参数学习算法 | 第99-101页 |
| ·基于高斯微粒群优化的动态神经网络性能分析 | 第101-109页 |
| ·稳定性分析 | 第101-104页 |
| ·非线性延迟系统建模仿真分析 | 第104-109页 |
| ·基于协同大规模微粒群优化的Smith预估双控制器设计 | 第109-116页 |
| ·Smith预估双控制器设计 | 第110-111页 |
| ·控制结构与性能分析 | 第111-112页 |
| ·神经网络控制器设计 | 第112-113页 |
| ·非线性延迟系统预测仿真分析 | 第113-116页 |
| ·基于协同大规模微粒群优化的神经网络模型预测控制 | 第116-125页 |
| ·多变量非线性模型预测控制结构 | 第117-120页 |
| ·未知非线性动态系统的模型预测控制 | 第120-122页 |
| ·多变量非线性系统的模型预测控制仿真分析 | 第122-125页 |
| ·本章小结 | 第125-126页 |
| 5 总结与展望 | 第126-130页 |
| ·全文总结 | 第126-128页 |
| ·研究展望 | 第128-130页 |
| 参考文献 | 第130-143页 |
| 攻读博士学位期间发表学术论文情况 | 第143-145页 |
| 在学期间参加的基金项目 | 第145-146页 |
| 创新点摘要 | 第146-147页 |
| 致谢 | 第147-148页 |
| 作者简介 | 第148-149页 |