声明
摘要
第1章 绪论
1．1 课题研究背景及研究意义
1．2 基于神经网络的非线性系统辨识与控制
1．2．1 基于前馈神经网络的非线性系统辨识与控制
1．2．2 基于动态神经网络的非线性系统辨识与控制
1．3 迭代学习辨识与控制
1．3．1 迭代学习控制
1．3．2 迭代学习辨识
1．4 本文的主要研究内容及内容安排
第2章 基于时变RBF网络的非线性时变系统迭代学习辨识
2．1 引言
2．2 时变RBF网络
2．3 时变RBF神经网络建模
2．4 带死区修正的积分学习律
2．5 带死区修正的半饱和迭代学习辨识算法
2．6 数值仿真研究
2．6．1 二阶非线性时变系统模型
2．6．2 两关节时变机械臂模型
2．7 小结
第3章 基于时变动态神经网络的非线性时变系统辨识
3．1 引言
3．2 时变动态神经网络
3．3 时变动态神经网络建模
3．4 带死区修正的最小二乘积分学习律
3．5 带死区修正的迭代学习最小二乘算法
3．5．1 带死区修正的迭代学习最小二乘算法
3．5．2 协方差重调的改进学习算法
3．6 数值仿真研究
3．6．1 二阶非线性时变系统模型
3．6．2 两天节时变机械臂模型
3．7 小结
第4章 基于周期RBF网络的非线性周期系统辨识
4．1 引言
4．2 周期RBF网络
4．3 周期RBF网络建模
4．4 积分学习律
4．5 全饱和重复学习辨识算法
4．6 数值仿真研究
4．6．1 二阶非线性时变系统模型
4．6．2 Duffing振子系统模型
4．7 小结
第5章 基于周期动态神经网络的非线性周期系统辨识
5．1 引言
5．2 周期动态神经网络
5．3 周期动态神经网络建模
5．4 最小二乘积分学习律
5．5 重复学习最小二乘辨识算法
5．5．1 重复学习最小二乘算法
5．5．2 协方差重调的改进算法
5．6 数值仿真研究
5．6．1 二阶非线性周期时变系统
5．6．2 Duffing振子系统模型
5．7 小结
第6章 基于时变RBF网络的非线性时变系统自适应迭代学习控制
6．1 引言
6．2 问题阐述
6．3 时变RBF网络逼近器
6．4 自适应迭代学习控制器设计
6．5 收敛性能分析
6．5．1 迭代学习最小二乘算法
6．5．2 协方差重调的改进算法
6．6 数值仿真研究
6．7 小结
第7章 基于时变动态神经网络的非线性时变系统自适应迭代学习控制
7．1 引言
7．2 问题阐述
7．3 时变动态网络逼近器
7．4 自适应迭代学习控制器设计
7．5 收敛性能分析
7．5．1 带死区修正的迭代学习最小二乘算法
7．5．2 协方差重调的改进算法
7．6 数值仿真研究
7．7 小结
第8章 基于周期RBF网络的非线性周期时变系统自适应重复控制
8．1 引言
8．2 问题阐述
8．3 自适应重复控制器设计
8．4 收敛性能分析
8．5 数值仿真
8．6 小结
第9章 结论与展望
9．1 结论
9．2 展望
参考文献
致谢
攻读学位期间参加的科研项目和成果
