基于径向基神经网络的机电系统精确模型辨识方法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究背景与意义 | 第9-10页 |
| 1.2 神经网络系统辨识概述 | 第10-13页 |
| 1.2.1 人工神经网络的特点 | 第10-11页 |
| 1.2.2 神经网络辨识的发展 | 第11-13页 |
| 1.3 本文主要研究内容与章节安排 | 第13-15页 |
| 第2章 机电伺服系统的模型 | 第15-26页 |
| 2.1 引言 | 第15页 |
| 2.2 典型位置伺服系统的结构 | 第15-16页 |
| 2.3 模型摄动项分析 | 第16-22页 |
| 2.3.1 摩擦力矩分析 | 第16-19页 |
| 2.3.2 电机波动力矩分析 | 第19-20页 |
| 2.3.3 时滞环节分析 | 第20-21页 |
| 2.3.4 其它摄动项分析 | 第21-22页 |
| 2.4 机电系统开环模型分析 | 第22-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 基于神经网络的辨识方法 | 第26-42页 |
| 3.1 引言 | 第26页 |
| 3.2 径向基神经网络原理 | 第26-30页 |
| 3.2.1 径向基函数插值方法 | 第26-28页 |
| 3.2.2 径向基神经网络结构 | 第28-29页 |
| 3.2.3 径向基神经网络的特征 | 第29-30页 |
| 3.3 基于神经网络的辨识方法 | 第30-35页 |
| 3.3.1 辨识模型类分析 | 第30-34页 |
| 3.3.2 样本数据与评价指标 | 第34-35页 |
| 3.4 径向基神经网络的训练方法 | 第35-41页 |
| 3.4.1 K-Means聚类方法 | 第36-38页 |
| 3.4.2 梯度下降法 | 第38-39页 |
| 3.4.3 正交最小二乘法 | 第39-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 伺服系统的神经网络辨识设计 | 第42-53页 |
| 4.1 引言 | 第42页 |
| 4.2 针对伺服系统神经网络辨识的设计与改进 | 第42-46页 |
| 4.2.1 神经网络辨识结构的设计 | 第43-44页 |
| 4.2.2 神经网络结构的改进 | 第44-45页 |
| 4.2.3 神经网络参数训练方法的设计 | 第45-46页 |
| 4.3 神经网络辨识样本设计与模型评价方法 | 第46-48页 |
| 4.3.1 神经网络辨识样本的设计 | 第46-47页 |
| 4.3.2 伺服系统神经网络模型的评价方法 | 第47-48页 |
| 4.4 仿真结果及分析 | 第48-52页 |
| 4.4.1 仿真模型搭建 | 第48-50页 |
| 4.4.2 仿真结果分析 | 第50-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第5章 实验验证 | 第53-59页 |
| 5.1 引言 | 第53页 |
| 5.2 转台伺服系统的结构 | 第53-54页 |
| 5.3 转台伺服系统的模型辨识对比实验 | 第54-58页 |
| 5.3.1 转台伺服系统扫频辨识结果 | 第54-56页 |
| 5.3.2 神经网络辨识实验与对比分析 | 第56-58页 |
| 5.4 本章小结 | 第58-59页 |
| 结论 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 致谢 | 第65页 |
