| 第一章 绪论 | 第1-21页 |
| 1．1 传统控制的局限和智能控制的发展 | 第6-9页 |
| 1．2 神经网络的特点及其控制的优越性 | 第9-11页 |
| 1．3 常见的神经网络控制方案及其应用 | 第11-17页 |
| 1．3．1 有监督控制（Supervised Control） | 第11-12页 |
| 1．3．2 直接逆控制（Neural Inverse Control） | 第12页 |
| 1．3．3 内模控制（Internal Model Control） | 第12-13页 |
| 1．3．4 模型预测控制（Model Predictive Control） | 第13-14页 |
| 1．3．5 模型参考自适应控制（Model Reference Adaptive Control） | 第14-16页 |
| 1．3．6 CMAC小脑模型控制 | 第16页 |
| 1．3．7 再励学习控制（Reinforcement Learning Control） | 第16-17页 |
| 1．4 常用于控制的几种神经网络 | 第17-20页 |
| 1．4．1 前向多层神经网络（FNN） | 第17-18页 |
| 1．4．2 Hopfield网络（HNN） | 第18页 |
| 1．4．3 自组织特性映射（Kohonen） | 第18页 |
| 1．4．4 小脑模型网络（CMAC） | 第18-19页 |
| 1．4．5 径向基函数神经网络（RBF） | 第19-20页 |
| 1．5 本文的组织形式 | 第20-21页 |
| 第二章 中和过程的非线性补偿PID控制 | 第21-39页 |
| 2．1 pH中和的过程特性和机理模型 | 第21-26页 |
| 2．1．1 pH值中和过程的特性 | 第21-23页 |
| 2．1．2 pH值中和过程的机理模型和控制特点 | 第23-26页 |
| 2．2 中和过程的不完全微分PID控制 | 第26-29页 |
| 2．2．1 常规的线性PID控制规律 | 第26-27页 |
| 2．2．2 采用不完全微分的PID控制 | 第27-29页 |
| 2．3 非线性补偿控制和前馈控制的设计 | 第29-33页 |
| 2．3．1 过程增益的非线性补偿 | 第29-30页 |
| 2．3．2 对于主扰动的前馈控制 | 第30-33页 |
| 2．4 pH值自动控制系统的实现和现场控制效果 | 第33-39页 |
| 2．4．1 某炼化厂碱渣装置pH值自动控制系统的实现 | 第33-36页 |
| 2．4．2 pH值自控制系统的控制效果 | 第36-39页 |
| 第三章 基于递归神经网络的中和过程预测控制算法 | 第39-57页 |
| 3．1 预测控制算法基本思想 | 第39-46页 |
| 3．1．1 预测控制的发展 | 第39页 |
| 3．1．2 模型预测控制算法 | 第39-44页 |
| 3．1．3 内模控制算法 | 第44-46页 |
| 3．2 神经网络在中和过程预测控制中的应用 | 第46-52页 |
| 3．2．1 递归网络辨识动态时延系统 | 第47-49页 |
| 3．2．2 中和过程的Elman神经网络模型 | 第49-51页 |
| 3．2．3 中和过程神经网络内模控制方案 | 第51-52页 |
| 3．3 基于递归网络的一步导前预测控制算法 | 第52-57页 |
| 3．3．1 神经网络模型的训练 | 第53-56页 |
| 3．3．2 控制律的计算 | 第56-57页 |
| 第四章 pH中和过程神经网络预测控制系统的实现 | 第57-73页 |
| 4．1 基于Elman网络预测控制系统的设计 | 第57-58页 |
| 4．2 控制系统软件开发及功能实现 | 第58-69页 |
| 4．2．1 神经网络模型的类实现 | 第63-67页 |
| 4．2．2 神经网络的后台训练和预测控制 | 第67-69页 |
| 4．3 神经网络预测控制系统的仿真与辨识结果 | 第69-73页 |
| 第五章 总结与展望 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 硕士生期间参加的项目 | 第79-80页 |
| 致谢 | 第80页 |
