| 目录 | 第1-9页 |
| 第一章 绪论 | 第9-22页 |
| 1. 胶原蛋白 | 第9-12页 |
| ·胶原蛋白的用途及其局限性 | 第9-11页 |
| ·类人胶原蛋白及其特点 | 第11-12页 |
| 2. 发酵过程建模方法研究概况 | 第12-18页 |
| ·机理模型 | 第14-17页 |
| ·非机理模型 | 第17-18页 |
| 3. 发酵过程控制方法研究概况 | 第18-21页 |
| ·古典理论方法 | 第19页 |
| ·微分几何方法 | 第19-20页 |
| ·逆系统方法 | 第20页 |
| ·智能控制 | 第20-21页 |
| 4. 本文内容安排 | 第21-22页 |
| 第二章 BP神经网络及其改进 | 第22-50页 |
| 1. BP算法及性能分析 | 第23-30页 |
| ·BP网络数学模型的建立 | 第23-25页 |
| ·BP算法原理分析 | 第25-28页 |
| ·BP网络的性能分析 | 第28-30页 |
| 2. BP网络的算法改进及模型 | 第30-48页 |
| ·学习率、动量因子对网络性能的影响 | 第30-32页 |
| ·改进的BP算法 | 第32-40页 |
| ·改进算法的实现步骤 | 第40-42页 |
| ·改进BP算法的性能对比研究 | 第42-48页 |
| 3. 本章小结 | 第48-50页 |
| 第三章 RBF神经网络及其改进 | 第50-69页 |
| 1. RBF算法及性能分析 | 第51-63页 |
| ·RBF网络数学模型的建立 | 第51-52页 |
| ·RBF神经网络的映射关系 | 第52-53页 |
| ·RBF网络学习算法 | 第53-62页 |
| ·RBF网络分析 | 第62-63页 |
| 2. RBF算法的改进及模型 | 第63-68页 |
| ·GLVQ算法原理 | 第63-65页 |
| ·改进算法的实现步骤 | 第65-66页 |
| ·改进RBF算法的性能对比研究 | 第66-68页 |
| 3. 本章小结 | 第68-69页 |
| 第四章 基于神经网络的类人胶原蛋白高密度发酵过程建模 | 第69-83页 |
| 1. 类人胶原蛋白高密度发酵过程概述 | 第70-71页 |
| ·材料 | 第70-71页 |
| ·方法 | 第71页 |
| 2. 基于神经网络的发酵过程预估建模 | 第71-79页 |
| ·试验条件与数据 | 第72-74页 |
| ·网络结构 | 第74页 |
| ·类人胶原蛋白高密度发酵神经网络预估模型 | 第74-79页 |
| 3. 预估模型的性能分析 | 第79-82页 |
| 4. 本章小结 | 第82-83页 |
| 第五章 基于神经网络的内模控制方法 | 第83-97页 |
| 1. 神经网络在控制中的应用 | 第83-89页 |
| ·直接逆模控制 | 第84页 |
| ·神经网络前馈与常规反馈联合控制 | 第84-85页 |
| ·模型参考自适应控制 | 第85-86页 |
| ·内模控制 | 第86-89页 |
| 2. 基于神经网络的多变量非线性系统内模控制方案 | 第89-92页 |
| 3. 神经网络内模控制方案检验 | 第92-96页 |
| ·过程模型及其逆模型的建立 | 第92-94页 |
| ·控制结果及分析 | 第94-96页 |
| 4. 本章小结 | 第96-97页 |
| 第六章 基于神经网络的类人胶原蛋白发酵过程内模控制 | 第97-108页 |
| 1. 类人胶原蛋白发酵过程的神经网络内模控制 | 第97-103页 |
| ·过程模型建模 | 第97-100页 |
| ·内模控制器(过程逆模型)建模 | 第100-103页 |
| 2. 多变量系统跟踪控制结果 | 第103-105页 |
| 3. 系统的鲁棒性以及抑制干扰能力的研究 | 第105-107页 |
| 4. 本章小结 | 第107-108页 |
| 参考文献 | 第108-114页 |
| 致谢 | 第114-115页 |
| 攻读博士学位期间出版著作和发表学术论文 | 第115-116页 |
| 攻读博士学位期间参加的科研工作 | 第116页 |