| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文研究的主要内容 | 第14-15页 |
| 第2章 基于RBF神经网络辨识的单神经元PID控制 | 第15-30页 |
| 2.1 引言 | 第15页 |
| 2.2 RBF神经网络 | 第15-18页 |
| 2.2.1 RBF神经网络结构和基本原理 | 第15-17页 |
| 2.2.2 RBF神经网络参数的学习算法 | 第17-18页 |
| 2.3 系统辨识理论 | 第18-23页 |
| 2.3.1 系统辨识简介 | 第19-20页 |
| 2.3.2 神经网络辨识的基本原理 | 第20-21页 |
| 2.3.3 神经网络辨识的特点 | 第21-22页 |
| 2.3.4 神经网络辨识器的分类 | 第22页 |
| 2.3.5 仿真实例 | 第22-23页 |
| 2.4 单神经元PID控制 | 第23-24页 |
| 2.5 基于RBF神经网络辨识的单神经元PID控制 | 第24-29页 |
| 2.5.1 控制原理及实现步骤 | 第25-26页 |
| 2.5.2 仿真实例 | 第26-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第3章 RBF神经网络的序贯学习算法 | 第30-49页 |
| 3.1 结构优化算法分类 | 第30-31页 |
| 3.2 常用的序贯学习算法介绍 | 第31-45页 |
| 3.2.1 最近邻聚类算法 | 第31-33页 |
| 3.2.2 资源分配网络算法 | 第33-34页 |
| 3.2.3 扩展卡尔曼滤波器资源分配网络算法 | 第34-35页 |
| 3.2.4 最小资源分配网络算法 | 第35-36页 |
| 3.2.5 广义生长剪枝算法 | 第36-38页 |
| 3.2.6 仿真实例与结果分析 | 第38-45页 |
| 3.3 改进的最小资源分配网络算法 | 第45-48页 |
| 3.3.1 改进措施及算法步骤 | 第45-47页 |
| 3.3.2 仿真实例及结果分析 | 第47-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第4章 改进的动态正交结构自适应算法 | 第49-61页 |
| 4.1 动态正交结构自适应算法介绍 | 第49-55页 |
| 4.1.1 算法原理 | 第49-53页 |
| 4.1.2 算法步骤 | 第53-54页 |
| 4.1.3 算法特点 | 第54-55页 |
| 4.2 改进的动态正交结构自适应算法 | 第55-58页 |
| 4.2.1 改进措施 | 第55-57页 |
| 4.2.2 IDOSA算法步骤 | 第57-58页 |
| 4.3 仿真实例及结果分析 | 第58-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第5章 基于RBF神经网络序贯学习算法的单神经元PID控制 | 第61-70页 |
| 5.1 基于RBF神经网络序贯学习算法的单神经元PID控制结构 | 第61-62页 |
| 5.2 RBF神经网络辨识器设计 | 第62-63页 |
| 5.3 控制原理及实现步骤 | 第63-64页 |
| 5.4 仿真实例及结果分析 | 第64-69页 |
| 5.5 本章小结 | 第69-70页 |
| 结论 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-78页 |
| 攻读硕士学位期间发表的论文 | 第78页 |
