一、自适应、自学习、自整定和自组织系统（论文文献综述）
王一名[1]（2021）在《初级永磁直线电机自适应反步控制研究》文中提出近年来,初级永磁直线电机（Primary Permanent Magnet Linear Motor,PPMLM）以其结构简单、制造维护成本低以及推力大的优点成为轨道交通领域的研究热点。本文以初级永磁直线电机为研究对象,搭建考虑边端效应的初级永磁直线电机数学模型。并且以直接推力控制作为基础控制策略,在此基础上使用自适应反步控制对电机的位移及速度进行控制。论文的主要研究工作包括以下三个部分:（1）针对于初级永磁直线电机数学模型中存在高阶非线性以及参数时变的特点,设计自适应反步控制器。确保系统在运行过程中发生参数时变的情况下对电机的速度与位移进行有效的控制,并通过仿真实验进行了验证,通过自适应反步控制器可以令电机实际位移有效的趋近于期望位移。（2）由于反步控制过程中产生的虚拟控制系数对控制器性能有着直接影响,而且传统自适应反步控制中的虚拟控制系数通常采取试凑法,有着一定的盲目性。因此,本文中采用混合粒子群协同优化算法,结合遗传粒子群算法与自组织粒子群算法的优点,采用改进的粒子群算法对反步控制中的虚拟控制系数进行整定,从而提高控制器控制精度。经过仿真实验进行了验证,优化后的控制器的控制性能明显优于未优化之前。（3）为了防止反步控制中出现的微分展开现象对控制系统造成影响,在反步控制中加入命令滤波器,并引入滤波补偿信号对由滤波器引起的滤波误差进行补偿。对于系统中可能出现的未建模负载扰动,使用神经网络反步控制对其进行补偿。提出了自适应RBF神经网络命令滤波器反步控制（Adaptive Neural Network Command Filter Backstepping Control,ANNCFBC）,并且通过仿真实验进行验证,控制器可以更快的趋近到期望位移。并且对于系统中的未建模负载扰动有良好的抑制作用,使控制器具有更好的稳定性与鲁棒性。
赵涛岩[2]（2019）在《二型模糊系统的建模与控制》文中认为传统的模糊集合在表达和处理不确定性问题时具有很大的局限性,针对这一问题,美国模糊控制领域的专家Zadeh教授在其基础上进行了扩展,首次引入了二型模糊集合的概念。它是对传统的模糊集合中的隶属度值再次进行模糊化处理,使其具有三维隶属度函数特性,这样可以扩展隶属度函数及模糊推理的设计自由度,能够更好的处理不确定性复杂问题。然而,二型模糊集合的三维隶属度函数特性也带来了计算复杂、计算量过大的问题。为此,提出了区间二型模糊集合的概念,其具有易于表达、结构简单和计算成本低的特点,由其组成的系统叫做区间二型模糊系统。目前,区间二型模糊系统是二型模糊系统的研究热点问题,在很多领域得到了大量地应用。本文以区间二型模糊系统理论为基础,充分利用其处理不确定性复杂问题的优势,以乙烯裂解过程为应用背景,重点研究区间二型模糊系统在复杂工业过程中的建模与控制方面的理论和应用。本文的主要研究工作如下:（1）针对非线性系统的辨识和复杂工业过程的建模问题,提出了一种改进的区间二型模糊神经网络建模方法。在改进的算法中,网络的模糊规则前件采用区间二型模糊隶属度函数,规则后件采用Mamdani模型。在解模糊计算中,设计一种能够学习的?因子可自适应的调节降型集合的左、右端点值替代常用的均值计算方法,以此来提升系统的精度。改进的区间二型模糊神经网络由结构和参数学习构成,网络模糊规则前件参数通过自适应模糊c均值算法确定,网络规则后件参数的初值为区间随机数。改进的区间二型模糊神经网络的前件参数、后件参数和权重因子?利用一种自适应梯度下降方法进行学习和调整。最后,通过一个非线性系统辨识的例子和建立乙烯裂解炉软测量模型,验证了所提出的改进区间二型模糊神经网络的有效性。（2）针对具有不确定性的复杂非线性系统的辨识和建模问题,提出了一种具有非对称隶属度函数的自组织区间二型模糊神经网络。首先采用具有四个不同模糊化参数的模糊c均值算法对输入数据进行划分获得模糊规则的不确定均值和标准差。然后根据聚类有效性标准可以确定模糊规则数,从而自动完成区间二型模糊神经网络的结构和规则前件参数辨识。网络的规则后件部分采用Mamdani模型,后件参数的初值为区间随机数。最后,将提出的具有非对称隶属度函数的自组织区间二型模糊神经网络应用到了非线性系统辨识和乙烯裂解炉收率预测问题上。实验结果与模糊神经网络和区间二型模糊神经网络相比较,证明了提出的方法拥有更好的性能。（3）针对复杂化工过程的软测量建模问题,提出了一种基于自组织递归区间二型模糊神经网络的软测量模型。它合并了区间二型模糊系统和递归神经网络的优点,可以避免数据的不确定性带来的困扰。高斯区间二型模糊隶属度函数用来描绘网络规则的前件,网络规则后件为Mamdani类型。一种基于高斯核有效性指标的自适应最优聚类数模糊核聚类算法用来确定网络的结构和参数,网络参数采用梯度下降法进行学习。最后,提出的自组织递归区间二型模糊神经网络应用到了乙烯裂解炉收率建模中。通过实验比较提出的方法与模糊神经网络和区间二型模糊神经网络,结果表明提出的方法拥有更佳的性能。（4）乙烯裂解炉出口温度控制系统存在非线性、多变量耦合、大时滞等干扰因素,使得它在实际的生产过程中很被难精确控制。为了解决这个问题,提出了一种基于区间二型模糊模型的逆控制器设计的控制策略。所提出的控制方案分为两部分:一部分是区间二型模糊模型的逼近结构,其用来逼近过程输出。另一部分是区间二型模糊模型逆控制器,其用来控制过程输出跟踪目标值。此外,大量的工业现场数据用来测试并取得了乙烯裂解炉平均出口温度控制系统的数学模型。最后,将提出的基于区间二型模糊模型的逆控制器设计方案用在了乙烯裂解炉平均出口温度控制系统中,仿真结果表明所提出的方法是可行的。（5）针对区间二型模糊控制器的降型过程损失系统不确定信息的问题,提出了一种基于遗传算法的改进区间二型模糊控制器。首先,利用区间二型模糊推理和Wu-Mendel不确定边界降型算法得到区间二型模糊输出的四个不确定边界值,然后对其进行再次优化。通过利用遗传算法优化区间二型模糊控制器的量化因子、比例因子和隶属度函数,构建遗传算法的适度函数作为性能指标,使其与系统输出直接相关,以此来提升整个控制系统的性能。最后,提出的方法应用在了乙烯裂解炉平均出口温度系统中,仿真结果表明所提出的方法是有效的。
黄丽华[3]（2019）在《基于网络环境的球杆系统控制方法的研究》文中进行了进一步梳理随着控制、网络及通信技术在复杂控制系统中的发展与相互融合,网络化控制系统（Networked Control Systems,NCS）在自动化领域的研究变得尤为重要。传统控制系统因为网络的加入,使系统的控制性能得到扩展和增强,与此同时也存在使控制系统不稳定的因素,例如:网络延时、数据丢包、网络调度的问题等。因此,对网络化控制系统的研究具有非常重要的现实意义。控制领域中,控制器的设计一直是控制系统线性和非线性问题解决的重要方法。本文选用具有非线性特征的球杆系统作为控制对象展开研究。首先,在研究了球杆系统的装置结构以及数学模型的基础上,针对网络时延和丢包等不确定因素对控制系统性能的影响,研究借鉴生物免疫系统原理的PID控制器参数优化方法。一种是借鉴生物免疫反馈机制对PID参数进行在线自动调整的模糊免疫控制器;一种是采用人工免疫PSO算法优化的免疫控制器;一种是基于生物免疫机理,构造出一种与传统PID控制器完全不同的免疫控制器,即双因子免疫控制器,并采用人工免疫PSO算法对其免疫因子进行优化。本文分别采用MATLAB TrueTime2.0网络控制仿真平台和固高科技GBB2004球杆实时控制两种实验平台对三种控制器性能进行验证。仿真结果表明:在不同程度时延、丢包因素的网络环境下,系统中采用优化改进控制器的输出超调量和调节时间都要优于传统PID控制器,提高了球杆系统在网络环境下的鲁棒性和自适应性能,证明了优化后的控制系统有效性和可行性。
付文韬[4]（2016）在《基于神经网络的污水处理多变量控制方法研究》文中研究指明城市污水处理过程具有大时变、强耦合、大时滞以及干扰严重等特点;同时,污水处理过程生化反应复杂,运行过程中涉及到变量众多,导致处理过程的控制难度非常大。由于我国污水处理起步较晚,相对比较落后,污水处理过程控制水平较低,导致出水水质质量及精度难以保证。因此,研究污水处理过程的控制方法对未来污水处理行业有着至关重要的影响和价值。1、论文研究了活性污泥1号模型（Activated Sludge Model No.1,ASM1）的组分、反应过程、化学计量系数和动力学参数之间的关系以及活性污泥法的特性。研究了污水处理过程基准仿真平台（Benchmark Simulation Model No.1,BSM1）关键参数以及生化反应池、二沉池的结构及工作特点,并通过MATLAB实验仿真,成功建立仿真模型。2、针对传统PID控制方法在污水处理过程中控制精度差,参数难以在线调整的问题,提出并设计了一种基于自适应控制策略的PID溶解氧控制方法。利用神经网络的非线性映射能力和学习能力,对PID参数进行在线的自适应调整。通过学习算法对网络进行训练,确保了PID控制参数在线调整的实时性和稳定性。仿真实验表明,这种基于自适应控制策略的PID控制具有较好的控制效果。3、针对传统控制方法在污水处理非线性系统中对多变量控制精度低且难度大的问题,提出并设计了一种将Takagi-Sugeno（T-S）模糊与神经网络相结合的控制方法。一方面,在神经网络的基础上通过模糊知识的表达对多变量进行控制;另一方面,通过误差逆向传播算法对模糊规则进行学习调整;同时,采用自适应学习率的方式加快网络的收敛速度,提高控制性能。通过仿真实验表明了这种控制方法能够较好的对溶解氧和硝态氮进行跟踪控制,且精度和稳定性较好,具有较优的控制性能。4、针对污水处理过程干扰严重的特点,提出并设计了一种基于聚类的自组织T-S模糊神经网络控制器。控制器在初始模糊规则为零的情况下,通过自组织规则对当前时刻的知识进行学习和记忆,并根据环境的变化智能地调整控制器结构,从而灵活地应对环境的不同变化,精简了网络结构。采用误差逆向传播算法对模糊规则进行调整和学习,提高了网络性能。通过实验仿真验证了不同环境状况下,这种控制器能够灵活快速地根据环境的变化自组织地对控制器结构进行调整,保证了溶解氧和硝态氮浓度的控制效果。
周万顺[5]（2014）在《基于模糊控制的无刷直流电机速度控制系统设计》文中提出无刷直流电机以其较小体积，较高功率密度，结构简单，以及更好的速度调节性能等优点，在机电能量转换领域得以广泛应用。由于无刷直流电机的多变量，强耦合，非线性等特点，传统的PID控制方法对于在线寻找适合的PID参数十分困难，很难达到理想的效果。自适应控制算法对参数的分辨识别和电机状态的预估都是相对于线性模型的，而对于非线性的控制对象，很难满足控制的精确性和实时性。模糊控制不要求掌握被控对象的精确模型，但是主观的专家控制规则无法满足不同对象的控制要求。克隆选择算法可以有效的搜索到全局最优解，并避免陷入局部最优解。本文将多种控制策略相互结合，设计了基于多目标克隆选择算法优化的模糊自适应PID控制器。本文简述了无刷直流电机的组成结构和运行原理，对无刷直流电机的数学模型进行了学习，完成了对无刷直流电机的双闭环控制系统的建模。系统的外环转速调节模块利用多目标克隆选择算法优化过的模糊自适应PID控制器的，内环调节器则采用传统的PI控制器。本文提出了利用多目标克隆选择算法优化模糊控制规则，以及基于精英导向机制的模糊控制两种方法。这两种优化方法都可以提高无刷直流电机的控制性能：与常规的控制器相比，系统的响应时间得到了很好的提升，能够很快的达到稳定状态，相对于常规控制器来说具有较高的控制精度。只是多目标克隆选择算法优化模糊自适应PID控制器的控制规则，虽然能够获得控制规则整体上的最优，但无法满足决策者的偏好，而加入精英导向机制策略的控制器则能够可根据决策偏好快速有效地定向搜索Pareto最优解。在Matlab2012/Simulink中搭建了包括电机本体主回路模块、逻辑换相模块、速度环模块以及电流PI控制器模块的无刷直流电机双闭环控制的仿真模型。仿真结果表明：基于多目标克隆选择算法优化的模糊控制器，能够系统具有上升时间短，无超调，稳态误差小等优势，具有较强的鲁棒性和自适应性。
刘春元[6]（2011）在《基于神经网络的SRM直接转矩控制方法研究》文中指出开关磁阻电机具有成本低、调速范围宽、调速性能优异、可靠性高等优点,近年来受到广泛关注。但开关磁阻电机（SRM）的双凸级结构造成了它噪声、转矩脉动大。本文从控制的方法入手,探讨了改善开关磁阻电机噪声和转矩脉动的方法。文中以四相8/6结构的SRM为研究对象,分析了其直接转矩控制的空间电压矢量以及相应的开关表,通过对空间电压矢量合理选择,使磁链轨迹成圆形,定子电流、磁链波形变化平稳,将转矩脉动限制在一个小的误差滞环带内。从仿真结果可以看出,直接转矩控制抑制了SRM的转矩脉动,降低了噪声。直接转矩控制系统的速度控制器采用PI调节控制,达到了很好的调速效果。本文介绍了人工神经网络的模式,典型神经网络的学习规则,研究了单神经元网络自适应PID、BP神经网络自适应PID以及RBF神经网络自适应PID控制策略的基本原理以及算法,并应用在SR电机调速系统中。仿真表明,应用神经网络自适应PID和常规PI组成复合控制器具有良好的控制性能,具有较高的鲁棒性,自适应能力强的优点。达到了控制的目的,控制精度到,动态性能好。以TMS320F2812 DSP为核心控制器,实现了电流斩波起动程序,直接转矩程序以及其它相关的子程序,并对实验结果进行了分析。为更进一步研究打下了基础,具有一定的实用价值。
张国刚[7]（2011）在《肩周炎康复仪的设计及其智能控制研究》文中研究说明肩周炎又称肩关节组织炎,其患者由于肩部活动受限,并且不能较长时间的进行自我锻炼,因而给患者的康复带来一定的不便。所以针对肩周炎的治疗设计一款康复仪器,为患者的康复提供可行有效的实现策略,就变得尤为重要,使得肩周炎康复仪的开发具有广泛的应用前景。首先,本文对人体肩部运动特性进行了分析,根据肩周炎训练模式,制定了肩周炎康复仪的预设功能。同时,设计了其机械结构的各部分尺寸及运动功能,在此基础上利用PRO/E三维绘图软件进行了模型建立和整体装配,并将其简易模型导入动力学分析软件MD ADAMS中,进行分析与运动参数的测量。其次,对康复仪的控制系统驱动和控制理论部分进行规划和设计。对工业常用的传统PID控制和神经网络PID智能控制分别进行了MATLAB环境下的仿真,并对两种控制的性能优劣进行了对比分析,并根据人体运动模式,便于以后的人性化改进,选定了神经元网络PID控制策略。最后,在对控制系统的结构进行规划之后,针对控制目标,对硬件电路进行了设计,选取了AT89C52单片机,作为控制主芯片。在此基础上,对外围电路进行扩展,设置显示及调节模块。搭建完善之后,在Prote199se中绘制了硬件电路的原理图。同时,按照选定的单神经元自适应PID控制算法,设计了控制系统的软件流程,完成康复仪控制系统基础的研发。
欧阳磊[8]（2009）在《基于自整定PID控制器的温度控制系统研究》文中研究表明PID控制是最早发展起来的控制策略之一,是迄今为止最通用的控制方法。目前大多数工业控制回路仍然应用着PID控制器或改进型PID控制器。在PID控制中,控制效果的好坏完全取决于PID参数的整定与优化。普通的PID控制在控制基本线性和动态特性不随时间变化的系统上控制效果不错,但是在控制非线性、时变的系统时,控制效果往往不佳。温度控制具有非线性、大滞后、大惯性、时变性、升温单向性等特点,因此传统的PID控制无法对其实现有效的控制,智能PID开始应用于温度控制系统。随着计算机技术和智能计算理论的发展,智能控制理论正越来越多的应用于PID控制器的性能改进中去。模糊控制和神经网络各有优点,两者都能对PID控制器参数进行整定与优化,提高了PID控制器的控制性能。本文将模糊控制与神经网络结合起来,组成模糊神经网络对PID三个参数进行整定与优化,设计出了一种模糊神经网络PID控制器结构,在此基础上以DSP为处理器实现了具有自整定功能的PID温度控制系统。系统主要包括:电源模块,采用TPS76833芯片进行电源转换;温度电压测量模块,采用Pt100温度传感器及其相应的测量电桥进行温度电压采集,应用DSP的模数转换单元将模拟量转换为数字量;人机交互模块,运用DSP的I/O模块设计出一套键盘作为输入,LCD显示器采用点阵式液晶显示器MG-12232,与PC机的交互方面,采用支持RS-232标准的MAX-232作为驱动芯片,驱动DSP与PC机的串行通信;温度控制模块采用控制量控制PWM波占空比信号的策略,输出占空比信号来控制功率模块的导通,达到控制温度的目的。最后设计并实现了基于自整定PID控制器的温度控制系统的主要程序。
韩一杰[9]（2007）在《某扫雷犁自学习模糊神经控制系统的研究》文中研究表明模糊逻辑与神经网络的融合技术是近几年来学术界与工程界非常关注的研究领域，神经网络擅长于系统辨识和按变化的环境进行自适应变化，而模糊推理系统则在对人类知识进行推理和决策方面占有优势，联合使用二者可以更有效地解决实际问题。本文运用模糊神经来解决某扫雷犁武器的实际控制问题，并在前人工作的基础上，深入研究了神经网络辨识和模糊控制的若干问题。本文主要研究的内容：①采用BP神经网络对扫雷犁电液伺服系统进行系统辨识；②采用模糊逻辑、神经网络构造电液伺服系统的的智能控制器——自学习模糊神经控制器，实现控制器的离线优化和智能在线学习；③搭建基于Matlab的电液伺服系统软件仿真平台进行仿真分析，利用C语言实现智能控制算法。经过大量的系统仿真试验和实际系统的调试，所设计的自学习模糊神经智能控制器可以使系统具有良好的动、静态性能，实现了扫雷犁入土深度±10mm的精确控制。
郝伟[10]（2007）在《基于免疫群体网络算法的故障诊断系统研究》文中研究表明生物免疫系统是一种高度并行的自适应信息学习系统，它能自动地识别和排除侵入机体的抗原性异物，并且具有学习、记忆和自适应调节能力，能够维护机体内环境的稳定。在现代信息科学和生命科学相互交叉渗透的研究领域，由生物免疫系统启发的人工免疫系统（AIS，Artificial Immune System）是继神经网络、模糊系统和进化计算之后的又一个研究热点，是模仿自然免疫系统功能的一种智能方法。被广泛应用于各种工程领域，包括自动控制、信息安全、数据挖掘、模式识别等方面。机械故障诊断是上世纪六七十年代产生并发展起来的一门综合性边缘学科。随着科学技术的不断发展，生产设备越来越复杂，自动化水平越来越高，故障诊断的难度明显增大。因此，研究和开发高效、实用的机械故障诊断技术，不仅是现代化生产及制造设备自动化的需要，也是现代机械设备运行维护和管理的一大课题。本文首先从生物免疫系统入手，在介绍了生物免疫学的发展史的基础上又介绍了抗原、抗体、淋巴细胞等基本概念；免疫器官、免疫细胞、免疫分子等免疫系统基本结构和免疫耐受、免疫应答等免疫系统基本机理。并归纳总结出其仿生机理，包括免疫识别、免疫记忆和自适应等。其次，本文在研究免疫调节机理的基础上提出了免疫调节算法。该算法能够促进免疫系统对抗原的快速应答，并保持免疫系统的相对稳定性。其主要作用是处理系统中存在的内部和外部的不确定性，减小系统实际运行的行为和期望行为间存在的偏差。随后，本文将该算法与模糊PID控制器相结合，应用于过热汽温串级控制系统和二自由度PID控制系统中，并通过无源定理对该控制系统的稳定性进行分析。仿真结果表明，这两种控制系统效果优于常规PID串级控制系统和二自由度PID控制系统，具有较强的鲁棒性和稳定性，较快的响应速度。最后，本文在分析群体免疫算法和网络免疫算法的基础上提出了免疫群体网络算法。该算法利用局部及全局等两个不同的搜索空间进行多点并行搜索，在全局范围内搜索评价值高的区域的同时也在该区域内搜索局部最优解，实现了从全局到局部的全方位的搜索机制，从而具有较高的全局和局部最优解搜索能力。通过测试函数试验证明该算法的在最优值搜索中有效性。本文还将该算法应用于旋转机械和火电厂制粉系统的故障诊断试验中。试验结果证明该算法在故障诊断系统中的有效性。
二、自适应、自学习、自整定和自组织系统（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、自适应、自学习、自整定和自组织系统（论文提纲范文）
（1）初级永磁直线电机自适应反步控制研究（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 直线电机控制策略研究现状 |
| 1.2.1 传统控制方法 |
| 1.2.2 现代控制方法 |
| 1.2.3 智能控制方法 |
| 1.3 本文主要研究思路与内容 |
| 2 初级永磁直线电机数学模型与直接推力控制 |
| 2.1 引言 |
| 2.2 初级永磁直线电机基本结构及工作原理 |
| 2.2.1 基本结构 |
| 2.2.2 工作原理 |
| 2.3 初级永磁直线电机数学模型 |
| 2.3.1 坐标变换 |
| 2.3.2 各坐标系下的数学模型 |
| 2.4 考虑边端效应的初级永磁直线电机数学模型 |
| 2.4.1 直线电机的边端效应 |
| 2.4.2 考虑边端效应的初级永磁直线电机数学模型 |
| 2.5 初级永磁直线电机直接推力控制 |
| 2.5.1 空间电压矢量 |
| 2.5.2 磁链与推力的滞缓控制 |
| 2.5.3 扇区判断 |
| 2.5.4 开关表设定 |
| 2.6 小结 |
| 3 初级永磁直线电机自适应反步控制器设计 |
| 3.1 引言 |
| 3.2 反步控制方法原理 |
| 3.3 基于反步法的自适应控制 |
| 3.3.1 自适应控制基本原理 |
| 3.3.2 自适应反步法设计 |
| 3.4 初级永磁直线电机自适应反步控制器设计 |
| 3.5 实验仿真与结果分析 |
| 3.6 小结 |
| 4 基于改进粒子群算法的自适应反步控制器优化设计 |
| 4.1 引言 |
| 4.2 粒子群算法原理 |
| 4.3 粒子群算法的改进 |
| 4.3.1 带有惯性权重的改进粒子群算法 |
| 4.3.2 带有加速因子的改进粒子群算法 |
| 4.3.3 混合群体协同粒子群 |
| 4.3.4 自组织粒子群算法 |
| 4.4 基于改进粒子群算法的自适应反步控制器优化设计 |
| 4.5 实验仿真与结果分析 |
| 4.6 小结 |
| 5 命令滤波器自适应RBF神经网络反步控制器的设计 |
| 5.1 引言 |
| 5.2 RBF神经网络 |
| 5.2.1 RBF神经网络概述 |
| 5.2.2 RBF神经网络结构 |
| 5.3 动态面控制 |
| 5.4 自适应RBF神经网络命令滤波器反步控制器设计 |
| 5.5 实验仿真与结果分析 |
| 5.6 小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 创新点摘要 |
| 6.3 展望 |
| 参考文献 |
| 攻读硕士学位期间科研项目及科研成果 |
| 致谢 |
| 作者简介 |
（2）二型模糊系统的建模与控制（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 二型模糊集合及系统基本概念 |
| 1.2.1 二型模糊集合基本概念 |
| 1.2.2 二型模糊系统结构 |
| 1.3 二型模糊系统降型算法综述 |
| 1.3.1 区间二型模糊系统降型算法研究现状 |
| 1.3.2 广义二型模糊系统降型算法研究现状 |
| 1.4 二型模糊系统理论的研究现状与趋势 |
| 1.4.1 二型模糊系统理论研究 |
| 1.4.2 二型模糊系统与其它控制算法的结合 |
| 1.4.3 二型模糊系统的优化 |
| 1.4.4 二型模糊系统存在的问题与发展趋势 |
| 1.5 二型模糊系统的应用现状 |
| 1.5.1 二型模糊系统在系统辨识与建模中的应用 |
| 1.5.2 二型模糊系统在控制领域中的应用 |
| 1.5.3 二型模糊系统在数据分类、图像处理及模式识别中的应用 |
| 1.5.4 二型模糊在其它领域的应用 |
| 1.6 本文主要研究内容和结构 |
| 第二章 一种改进区间二型模糊神经网络设计及其应用 |
| 2.1 引言 |
| 2.2 改进区间二型模糊神经网络(Improved IT2FNN)结构 |
| 2.3 Improved IT2FNN学习算法 |
| 2.3.1 Improved IT2FNN结构学习算法 |
| 2.3.2 Improved IT2FNN参数学习算法 |
| 2.4 仿真实例 |
| 2.5 基于Improved IT2FNN的乙烯裂解炉收率软测量模型建模 |
| 2.5.1 乙烯裂解过程的重要性 |
| 2.5.2 乙烯裂解过程描述 |
| 2.5.3 工业应用实例 |
| 2.6 本章小结 |
| 第三章 具有非对称隶属度函数的自组织区间二型模糊神经网络及其应用 |
| 3.1 引言 |
| 3.2 具有非对称隶属度函数的自组织区间二型模糊神经网络(SIT2FNN-AMF)结构 |
| 3.2.1 非对称高斯区间二型隶属度函数的构成 |
| 3.2.2 SIT2FNN-AMF结构 |
| 3.3 SIT2FNN-AMF学习算法 |
| 3.3.1 SIT2FNN-AMF结构学习算法 |
| 3.3.2 SIT2FNN-AMF参数学习算法 |
| 3.4 SIT2FNN-AMF稳定性分析 |
| 3.5 仿真研究 |
| 3.6 工业应用实例 |
| 3.7 本章小结 |
| 第四章 基于自组织递归区间二型模糊神经网络的软测量建模研究 |
| 4.1 引言 |
| 4.2 自组织递归区间二型模糊神经网络(SRIT2FNN)结构 |
| 4.3 SRIT2FNN学习算法 |
| 4.3.1 SRIT2FNN结构学习算法 |
| 4.3.2 SRIT2FNN参数学习算法 |
| 4.4 实验和结果 |
| 4.5 本章小结 |
| 第五章 基于区间二型模糊模型的逆控制器设计研究 |
| 5.1 引言 |
| 5.2 区间二型模糊模型(IT2FM) |
| 5.3 IT2FM逼近结构 |
| 5.4 区间二型模糊模型逆控制器(IT2FMIC)设计 |
| 5.5 仿真研究 |
| 5.5.1 IT2FM逼近乙烯裂解炉平均出口温度系统 |
| 5.5.2 IT2FMIC在乙烯裂解炉平均出口温度控制系统中的应用 |
| 5.6 本章小结 |
| 第六章 一种基于遗传算法优化的改进区间二型模糊控制器设计 |
| 6.1 引言 |
| 6.2 区间二型模糊控制器结构 |
| 6.3 一种基于遗传算法优化的改进区间二型模糊控制器设计 |
| 6.4 仿真研究 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 研究总结 |
| 7.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术论文和参加科研情况 |
（3）基于网络环境的球杆系统控制方法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景和意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 网络控制理论的研究 |
| 1.2.2 球杆系统的研究 |
| 1.2.3 人工免疫系统的研究 |
| 1.3 本论文主要研究内容和结构安排 |
| 1.4 本章小结 |
| 第二章 基于生物免疫机制的控制方法 |
| 2.1 生物免疫的发展 |
| 2.1.1 免疫的定义 |
| 2.1.2 免疫学发展史 |
| 2.2 生物免疫系统的特征 |
| 2.2.1 免疫系统的结构与特点 |
| 2.2.2 免疫系统的主要功能 |
| 2.2.3 免疫系统的功能实现 |
| 2.3 控制系统可借鉴的免疫原理和机制 |
| 2.4 本章小结 |
| 第三章 基于模糊免疫PID控制的球杆系统 |
| 3.1 球杆系统结构 |
| 3.2 球杆系统建模 |
| 3.2.1 球杆机械部分建模 |
| 3.2.2 转盘与连杆机构部分建模 |
| 3.2.3 伺服机构建模 |
| 3.3 球杆系统模糊控制策略研究 |
| 3.3.1 模糊控制原理 |
| 3.3.2 模糊PID控制器设计 |
| 3.3.3 模糊免疫PID控制器的改进设计 |
| 3.4 球杆系统网络控制的模糊控制 |
| 3.5 仿真结果及分析 |
| 3.5.1 仿真模型构建 |
| 3.5.2 仿真结果对比与分析 |
| 3.5.3 球杆系统实时控制验证及分析 |
| 3.6 本章小结 |
| 第四章 基于免疫PSO优化的球杆控制系统研究 |
| 4.1 免疫优化算法的概述 |
| 4.1.1 克隆选择算法 |
| 4.1.2 B细胞网络算法 |
| 4.1.3 阴性选择算法 |
| 4.1.4 免疫进化规划算法 |
| 4.2 人工免疫粒子群算法 |
| 4.2.1 人工免疫PSO算法的基本原理 |
| 4.2.2 算法流程 |
| 4.2.3 仿真验证 |
| 4.3 本章小结 |
| 第五章 基于双因子免疫的球杆控制系统研究 |
| 5.1 免疫控制器 |
| 5.2 双因子免疫控制器 |
| 5.2.1 基本双因子调节免疫动力学方程 |
| 5.2.2 双因子免疫控制器的设计与实现 |
| 5.3 基于人工免疫PSO参数优化的双因子免疫控制器的研究 |
| 5.3.1 人工免疫PSO算法的双因子控制器的设计 |
| 5.3.2 仿真实验及结果分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录A(攻读硕士学位期间的学术成果) |
（4）基于神经网络的污水处理多变量控制方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的背景及研究意义 |
| 1.1.1 课题背景 |
| 1.1.2 研究意义 |
| 1.2 活性污泥法污水处理工艺概述 |
| 1.3 活性污泥法污水处理过程控制的现状 |
| 1.3.1 污水处理过程控制对象 |
| 1.3.2 污水处理过程控制方法的现状 |
| 1.4 课题来源 |
| 1.5 论文研究内容与结构安排 |
| 第2章 污水处理动态特性分析与BSM1测试平台实现 |
| 2.1 活性污泥法1号机理模型(ASM1)描述 |
| 2.1.1 ASM1机理模型组分 |
| 2.1.2 ASM1的19个参数 |
| 2.1.3 ASM1机理模型的8个反应过程 |
| 2.1.4 组分的表观反应速率 |
| 2.2 BSM1描述 |
| 2.2.1 生化池模型 |
| 2.2.2 二沉池模型 |
| 2.2.3 性能评价指标 |
| 2.3 BSM1基准仿真平台测试 |
| 2.4 污水处理过程控制方案 |
| 2.5 小结 |
| 第3章 基于自适应控制策略的PID溶解氧控制 |
| 3.1 自适应PID控制基本方法 |
| 3.1.1 自整定PID控制方法 |
| 3.1.2 BP神经网络 |
| 3.2 自适应PID控制器溶解氧浓度控制系统 |
| 3.2.1 自适应PID溶解氧浓度控制结构 |
| 3.2.2 参数自适应调整策略 |
| 3.2.3 PID控制模块 |
| 3.3 自适应PID控制器溶解氧浓度控制算法流程 |
| 3.3.1 控制流程及步骤 |
| 3.3.2 参数在线调整算法表示 |
| 3.4 实验仿真及结果分析 |
| 3.5 小结 |
| 第4章 基于T-SFNN的污水处理多变量自适应控制 |
| 4.1 模糊控制原理 |
| 4.2 模糊神经网络介绍 |
| 4.2.1 模糊神经网络的基本结构 |
| 4.2.2 模糊神经网络计算过程 |
| 4.3 T-S模糊神经网络介绍 |
| 4.3.1 T-S模糊逻辑系统 |
| 4.3.2 T-S模糊神经网络 |
| 4.4 基于T-SFNN的控制系统 |
| 4.5 实验仿真及结果分析 |
| 4.6 小结 |
| 第5章 基于SO-TSFNN的污水处理多变量控制 |
| 5.1 自组织神经网络原理 |
| 5.1.1 自组织系统 |
| 5.1.2 自组织神经网络 |
| 5.2 自组织算法思想 |
| 5.3 自组织T-S模糊神经网络 |
| 5.3.1 自组织T-S模糊神经网络结构 |
| 5.3.2 自组织算法 |
| 5.4 控制系统设计 |
| 5.5 仿真实验及结果仿真 |
| 5.6 小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间所获得的研究成果 |
| 致谢 |
（5）基于模糊控制的无刷直流电机速度控制系统设计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 无刷直流电机的发展历史 |
| 1.3 无刷直流电机的研究现状 |
| 1.3.1 无位置传感器控制技术 |
| 1.3.2 转矩脉动抑制技术 |
| 1.3.3 智能控制法 |
| 1.4 本文主要内容和结构安排 |
| 第2章 无刷直流电机运行原理与数学模型 |
| 2.1 无刷直流电机的结构 |
| 2.1.1 无刷直流电机的本体结构 |
| 2.1.2 无刷直流电机的位置传感器 |
| 2.1.3 无刷直流电机的电子开关线路 |
| 2.2 无刷直流电机运行基本原理 |
| 2.3 无刷直流电机的数学模型 |
| 2.3.1 电压方程 |
| 2.3.2 电磁转矩方程 |
| 2.3.3 电机的运动方程 |
| 2.3.4 无刷直流电机的传递函数 |
| 2.4 无刷直流电机的双闭环控制系统 |
| 2.5 本章小结 |
| 第3章 基于多目标克隆选择算法的自适应模糊控制器设计 |
| 3.1 PID 控制器 |
| 3.1.1 PID 控制的原理 |
| 3.1.2 PID 参数之间的关系 |
| 3.2 模糊控制理论与应用 |
| 3.2.1 模糊控制的基本原理 |
| 3.2.2 模糊控制器的基本组成 |
| 3.2.3 设计模糊控制器的基本步骤 |
| 3.3 自适应模糊-PID 控制 |
| 3.3.1 自适应模糊控制系统 |
| 3.3.2 自适应模糊 PID 控制系统 |
| 3.3.3 参数自整定的设计思想 |
| 3.3.4 模糊 PID 自整定参数控制算法 |
| 3.4 多目标克隆选择算法 |
| 3.4.1 人工免疫系统概述 |
| 3.4.2 克隆选择原理 |
| 3.4.3 克隆选择算法的特点 |
| 3.4.4 多目标克隆选择算法的特点 |
| 3.5 基于多目标克隆选择算法的自适应模糊控制 |
| 3.5.1 基于 MCSA 的优化的自适应模糊控制器 |
| 3.5.2 算法流程 |
| 3.5.3 免疫细胞编码 |
| 3.5.4 克隆与变异 |
| 3.6 本章小结 |
| 第4章 基于 MCSA 的无刷直流电机速度控制系统的研究 |
| 4.1 BLDCM 调速系统的仿真模型 |
| 4.1.1 Matlab 软件简介 |
| 4.1.2 Simulink 软件包 |
| 4.1.3 BLDCM 系统整体模型 |
| 4.1.4 电机回路模型 |
| 4.1.5 速度控制回路 |
| 4.1.6 电流控制器 |
| 4.2 基于 MCSA 的 PID 参数寻优 |
| 4.2.1 MCSA 优化 PID 控制器的仿真结果及分析 |
| 4.3 基于自适应模糊 PID 控制的 BLDCM 调速仿真 |
| 4.3.1 MCSA 优化自适应模糊控制器的结果 |
| 4.3.2 BLDCM 控制系统的调速仿真结果及分析 |
| 4.4 基于精英进化导向机制的自适应模糊控制 |
| 4.4.1 基于精英进化导向机制的 MCSA 算法 |
| 4.4.2 基于精英导向机制的 BLDCM 仿真结果 |
| 4.5 本章小结 |
| 第5章 结论 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的研究成果 |
（6）基于神经网络的SRM直接转矩控制方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 开关磁阻电机发展概况 |
| 1.2 直接转矩控制技术的发展历史及现状 |
| 1.3 神经网络的发展历史及现状 |
| 1.3.1 人工神经网络国外发展情况 |
| 1.3.2 人工神经网络国内研究概况 |
| 1.4 本课题主要工作 |
| 2 开关磁阻电机结构及运行原理 |
| 2.1 开关磁阻电机驱动系统的基本构成 |
| 2.2 开关磁阻电机的结构 |
| 2.3 开关磁阻电机的运行原理 |
| 2.3.1 开关磁阻电机运行原理 |
| 2.3.2 开关磁阻电机运行的传统控制策略 |
| 2.3.3 本文采取的控制策略 |
| 2.4 本章小结 |
| 3 开关磁阻电机直接转矩控制 |
| 3.1 开关磁阻电机的数学模型 |
| 3.1.1 开关磁阻电机基本方程 |
| 3.1.2 开关磁阻电机瞬时转矩方程 |
| 3.2 开关磁阻电机直接转矩控制 |
| 3.2.1 开关磁阻电机直接转矩控制的理论基础 |
| 3.2.2 开关磁阻电机功率变换器开关状态分析 |
| 3.2.3 开关磁阻电机空间电压矢量选择 |
| 3.3 开关磁阻电机直接转矩控制系统的Matlab 仿真实现 |
| 3.3.1 Matlab 仿真软件简介 |
| 3.3.2 开关磁阻电机DTC 控制结构 |
| 3.3.3 功率变换器 |
| 3.3.4 转矩、磁链估算 |
| 3.3.5 转矩、磁链逻辑关系 |
| 3.3.6 定子磁链区间判断 |
| 3.3.7 开关表选择 |
| 3.3.8 PI 速度控制模块 |
| 3.3.9 仿真结果分析 |
| 3.4 本章小结 |
| 4 神经网络PID 控制器 |
| 4.1 人工神经网络概述 |
| 4.1.1 人工神经元模式 |
| 4.1.2 连接权值 |
| 4.1.3 神经网络状态 |
| 4.1.4 神经网络的输出 |
| 4.2 典型的神经网络学习规则[18] |
| 4.2.1 无监督Hebb 学习规则 |
| 4.2.2 有监督Delta 学习规则 |
| 4.2.3 有监督Hebb 学习规则 |
| 4.3 神经网络模型 |
| 4.3.1 相互结合型网络 |
| 4.3.2 前馈网络 |
| 4.3.3 反馈网络 |
| 4.3.4 混合型网络 |
| 4.4 典型前馈神经网络PID 控制器 |
| 4.4.1 单神经元PID 控制器结构 |
| 4.4.2 基于BP 神经网络参数自学习的PID 控制器 |
| 4.4.3 基于RBF 神经网络的PID 控制器 |
| 4.5 本章小结 |
| 5 开关磁阻电机神经网络PID 控制仿真研究 |
| 5.1 单神经元PID 的直接转矩控制 |
| 5.2 BP-PID 的直接转矩控制 |
| 5.3 RBF-PID 的直接转矩控制 |
| 5.4 本章小结 |
| 6 开关磁阻电机调速系统硬件设计及实验结果 |
| 6.1 开关磁阻电机硬件设计概述 |
| 6.2 系统电源设计 |
| 6.2.1 系统控制电源 |
| 6.2.2 电机供电电源 |
| 6.3 SRM 功率变换器设计 |
| 6.3.1 功率变换器元器件定额与选型 |
| 6.3.2 主开关器件驱动电路设计 |
| 6.4 速度、位置检测硬件设计 |
| 6.5 定子电压、电流检测硬件设计 |
| 6.5.1 定子电流检测 |
| 6.5.2 定子电压检测 |
| 6.5.3 AD7865 模数转化芯片扩展 |
| 6.6 实验结果和波形 |
| 6.7 本章小结 |
| 7 结论 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读硕士期间发表的论文 |
（7）肩周炎康复仪的设计及其智能控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 本课题的研究背景及现状 |
| 1.1.1 肩周炎概述 |
| 1.1.2 国内外发展状况概述 |
| 1.2 本课题研究的目的与意义 |
| 1.2.1 机械机构创新研究 |
| 1.2.2 神经网络的发展与应用研究 |
| 1.3 本课题的研究内容 |
| 第2章 康复仪机械系统设计及其三维仿真分析 |
| 2.1 人体肩部运动模式分析 |
| 2.2 康复仪机械系统的设计 |
| 2.2.1 机械系统运动方案对比及拟定 |
| 2.2.2 主运动机构设计及结构优化 |
| 2.2.3 基于PRO/E的机构模型的三维设计 |
| 2.3 基于虚拟样机技术的机构仿真及其动力学分析 |
| 2.3.1 虚拟样机技术及ADAMS简介 |
| 2.3.2 基于ADAMS的机构模型的建立 |
| 2.3.3 康复仪虚拟样机的仿真及分析 |
| 2.4 小结 |
| 第3章 PID控制与神经网络理论的基础研究 |
| 3.1 PID控制及其发展 |
| 3.1.1 PID控制概述 |
| 3.1.2 数字化的PID控制系统 |
| 3.1.3 PID控制器的参数整定 |
| 3.1.4 智能PID控制方法 |
| 3.2 神经元网络控制基本理论 |
| 3.2.1 简易神经元网络模型 |
| 3.2.2 人工神经网络理论 |
| 3.3 神经元网络的功能特性 |
| 3.3.1 神经元网络的学习方式 |
| 3.3.2 神经元网络的学习算法 |
| 3.4 神经元网络的应用 |
| 3.4.1 基于神经元网络的模式识别 |
| 3.4.2 基于神经元网络的自动控制 |
| 3.4.3 基于神经元网络的信号处理 |
| 3.4.4 基于神经元网络的人工智能 |
| 3.5 小结 |
| 第4章 神经元PID控制器的仿真研究 |
| 4.1 直流电机PID控制仿真 |
| 4.1.1 直流电机数学模型的建立 |
| 4.2. 单神经元自适应PID控制器的仿真研究 |
| 4.2.1 PID控制与神经元网络的结合方式 |
| 4.2.2 单神经元自适应PID控制器的几种典型学习规则 |
| 4.2.3 典型神经元自适应PID控制器的仿真 |
| 4.3 基于BP网络的神经网络PID控制器的算法规则 |
| 4.3.1 基于BP网络的神经网络PID控制器的结构形式 |
| 4.3.2 基于BP网络的神经网络PID控制器的前向学习算法 |
| 4.3.3 基于BP网络的神经网络PID控制器的反传学习算法 |
| 4.4 基于BP网络的神经网络PID控制器的MATLAB仿真 |
| 4.4.1 基于BP网络的PID控制器的算法流程 |
| 4.4.2 基于BP算法的神经网络PID控制的MATLAB仿真 |
| 4.5 小结 |
| 第5章 康复仪单神经元PID控制系统设计 |
| 5.1 康复仪神经元PID控制的优势研究 |
| 5.2 康复仪智能控制系统的硬件设计 |
| 5.2.1 人机工程面板及预设目标 |
| 5.2.2 控制电路的硬件结构 |
| 5.3 动力驱动控制设计 |
| 5.3.1 电机选择及控制方案设定 |
| 5.3.2 控制系统的运动控制硬件设计 |
| 5.4 系统器件选取及主要硬件电路设计 |
| 5.4.1 数据显示电路设计 |
| 5.4.2 数据处理及其外围电路 |
| 5.4.3 数据采集电路设计 |
| 5.5 康复仪控制系统的软件设计 |
| 5.5.1 主程序流程 |
| 5.5.2 速度采样及D/A中断处理子程序 |
| 5.6 单神经元自适应PID控制策略的实现 |
| 5.7 小结 |
| 第6章 结论和展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（8）基于自整定PID控制器的温度控制系统研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 PID 控制的发展现状 |
| 1.2 PID 参数整定方法的发展现状 |
| 1.3 模糊控制发展现状 |
| 1.4 神经网络发展现状 |
| 1.5 温度控制系统的发展现状 |
| 1.6 课题的背景和意义 |
| 1.7 论文的主要内容及组织结构 |
| 2 PID 控制理论 |
| 2.1 PID 的控制原理 |
| 2.2 PID 三个参数的调节作用 |
| 2.3 PID 控制的三种控制方式分析 |
| 2.4 数字PID 控制 |
| 2.4.1 位置式PID 控制算法 |
| 2.4.2 增量式PID 控制算法 |
| 2.4.3 数字PID 控制的MATLAB 仿真 |
| 2.5 本章小结 |
| 3 PID 参数整定算法的温度控制系统研究 |
| 3.1 PID 参数整定的概念 |
| 3.2 PID 参数整定的方法 |
| 3.2.1 辨识法 |
| 3.2.2 规则法 |
| 3.2.3 PID 参数整定方法的的探讨 |
| 3.3 温度控制系统模型的特性以及仿真工具 |
| 3.3.1 温度控制系统的模型特性 |
| 3.3.2 MATLAB 简介 |
| 3.4 基于模糊控制的PID 参数整定 |
| 3.4.1 模糊控制 |
| 3.4.2 模糊控制器的原理与组成 |
| 3.4.3 模糊自适应PID 参数整定原理 |
| 3.4.4 模糊自适应PID 参数整定算法 |
| 3.4.5 基于模糊控制PID 参数整定的MATLAB 仿真 |
| 3.5 基于神经网络的PID 参数整定 |
| 3.5.1 神经网络概述 |
| 3.5.2 基于神经网络的PID 参数整定 |
| 3.5.3 神经网络的几种典型的学习规则 |
| 3.5.4 基于神经网络PID 参数整定的MATLAB 仿真 |
| 3.6 基于模糊神经网络的PID 参数整定 |
| 3.6.1 模糊理论与神经网络理论相结合的机理分析 |
| 3.6.2 模糊神经网络PID 参数整定 |
| 3.6.3 模糊神经网络PID 参数整定的MATLAB 仿真 |
| 3.7 几种PID 参数整定方法的比较 |
| 3.8 本章小结 |
| 4 温度控制系统主要硬件模块设计 |
| 4.1 TMS320LF2407DSP 芯片简介 |
| 4.1.1 DSP 概述及其应用 |
| 4.1.2 TMS320LF2407 概述 |
| 4.1.3 TMS320LF2407 芯片的特点 |
| 4.1.4 DSP 的模数转换模块（ADC） |
| 4.1.5 DSP 的输入/输出模块（I/O） |
| 4.1.6 TMS320LF2407 内部PWM 波的产生 |
| 4.2 系统的整体设计思想 |
| 4.3 电源模块 |
| 4.4 温度电压测量模块 |
| 4.5 人机交互模块 |
| 4.5.1 键盘 |
| 4.5.2 LCD 显示器 |
| 4.5.3 PC 机与DSP 下位机的串行通信 |
| 4.6 温度控制模块 |
| 4.7 本章小结 |
| 5 温度控制系统的软件设计 |
| 5.1 TMS320LF2407 开发软件简介 |
| 5.2 本系统主程序设计 |
| 5.3 系统键盘子程序 |
| 5.4 A/D 转换子程序 |
| 5.5 显示子程序 |
| 5.6 控制子程序 |
| 5.7 本章小结 |
| 6 总结与展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 作者简介及读研期间主要科研成果 |
（9）某扫雷犁自学习模糊神经控制系统的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1. 绪论 |
| 1.1 课题背景概述 |
| 1.2 智能控制的发展 |
| 1.3 智能控制在电液伺服系统中的应用 |
| 1.4 本论文的主要任务 |
| 2. 扫雷犁系统硬件设计 |
| 2.1 系统简介 |
| 2.2 CDM-1398 PC/104CPU模块 |
| 2.3 数据输入输出模块 |
| 2.4 旋转变压器及RDC转换模块 |
| 2.5 伺服放大器电路 |
| 2.6 扫雷犁电液伺服系统 |
| 2.7 本章小结 |
| 3. 模糊控制与神经网路原理 |
| 3.1 模糊控制原理 |
| 3.2 神经网络原理 |
| 3.3 本章小结 |
| 4. 基于BP神经网络的系统辨识 |
| 4.1 BP神经网络 |
| 4.2 基于BP神经网络的系统辨识 |
| 4.3 系统辨识 |
| 4.4 本章小结 |
| 5. 自学习模糊神经控制器设计 |
| 5.1 模糊控制器的设计 |
| 5.2 BP神经网络系统在线辨识 |
| 5.3 神经网络对模糊控制器参数的校正 |
| 5.4 自学习模糊神经控制系统的程序流程图 |
| 5.5 本章小结 |
| 6. 系统仿真调试 |
| 6.1 阶跃信号输入响应曲线 |
| 6.2 正弦信号输入响应曲线 |
| 6.3 模糊神经控制与常规PID控制的比较 |
| 6.4 本章小结 |
| 结束语 |
| 致谢 |
| 参考文献 |
（10）基于免疫群体网络算法的故障诊断系统研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 图表索引 |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 人工免疫系统研究动态 |
| 1.2.1 人工免疫系统理论研究动态 |
| 1.2.2 人工免疫系统应用研究动态 |
| 1.3 故障诊断研究动态及研究内容 |
| 1.3.1 故障诊断的研究动态 |
| 1.3.2 故障诊断研究内容 |
| 1.4 本文研究的主要内容及结构安排 |
| 1.4.1 本文研究的主要内容 |
| 1.4.2 本文的结构安排 |
| 第二章 生物免疫学基本理论 |
| 2.1 生物免疫学发展史 |
| 2.1.1 经验免疫学时期 |
| 2.1.2 免疫学科建立时期 |
| 2.1.3 现代免疫学时期 |
| 2.2 免疫学基本概念与免疫系统基本结构 |
| 2.2.1 免疫学的基本概念 |
| 2.2.2 免疫系统的基本结构 |
| 2.3 免疫系统各种机制 |
| 2.3.1 自体耐受 |
| 2.3.2 免疫应答 |
| 2.3.3 免疫调节 |
| 2.4 免疫系统的功能与特征 |
| 2.4.1 免疫系统的功能 |
| 2.4.2 免疫系统的基本特征 |
| 2.5 本章小结 |
| 第三章 模糊免疫算法及其在控制器中的应用 |
| 3.1 引言 |
| 3.2 生物免疫调节原理 |
| 3.3 免疫调节算法原理 |
| 3.4 模糊免疫PID控制器设计 |
| 3.4.1 一般模糊PID控制器基本结构与形式 |
| 3.4.2.模糊免疫PID控制器设计 |
| 3.4.3.语言变量隶属度函数和模糊规则的建立 |
| 3.5 模糊免疫PID控制器稳定性分析 |
| 3.5.1 模糊控制系统稳定性分析综述 |
| 3.5.2 模糊免疫PID控制器稳定性分析 |
| 3.6 模糊免疫PID控制器在过热汽温串级控制系统中的应用 |
| 3.6.1 火电厂过热汽温简介 |
| 3.6.2 过热汽温中串级控制系统工作原理 |
| 3.6.3 模糊免疫串级控制系统框架及仿真研究 |
| 3.7 模糊免疫PID控制器在二自由度控制系统中的应用 |
| 3.7.1 二自由度控制简介 |
| 3.7.2 模糊免疫二自由度PID控制器设计及仿真研究 |
| 3.8 本章小结 |
| 第四章 免疫群体网络算法 |
| 4.1 引言 |
| 4.2 免疫群体算法概述 |
| 4.3 免疫网络模型概述 |
| 4.4 免疫群体网络算法 |
| 4.4.1 免疫群体网络算法的提出 |
| 4.4.2 免疫群体网络算法步骤及框图 |
| 4.5 免疫群体网络算法的收敛性分析 |
| 4.5.1 基本定义 |
| 4.5.2 免疫群体网络算法的收敛性证明 |
| 4.6 仿真试验 |
| 4.7 本章小结 |
| 第五章 免疫群体网络算法在故障诊断中的应用 |
| 5.1 引言 |
| 5.2 故障诊断技术 |
| 5.2.1 故障诊断基本定义及分类 |
| 5.2.2 故障诊断方法 |
| 5.2.3 故障诊断过程 |
| 5.3 免疫群体网络算法在旋转机械故障诊断中的应用 |
| 5.3.1 旋转机械的典型故障 |
| 5.3.2 基于免疫群体网络算法的故障诊断 |
| 5.4 免疫群体网络算法在电厂制粉设备故障诊断中的应用 |
| 5.4.1 电厂制粉系统简介 |
| 5.4.2 制粉系统主要故障 |
| 5.4.3 基于免疫群体网络算法的故障诊断 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表学术论文目录 |
四、自适应、自学习、自整定和自组织系统（论文参考文献）
- [1]初级永磁直线电机自适应反步控制研究[D]. 王一名. 沈阳工程学院, 2021(02)
- [2]二型模糊系统的建模与控制[D]. 赵涛岩. 西北工业大学, 2019(04)
- [3]基于网络环境的球杆系统控制方法的研究[D]. 黄丽华. 昆明理工大学, 2019(04)
- [4]基于神经网络的污水处理多变量控制方法研究[D]. 付文韬. 北京工业大学, 2016(02)
- [5]基于模糊控制的无刷直流电机速度控制系统设计[D]. 周万顺. 河南科技大学, 2014(02)
- [6]基于神经网络的SRM直接转矩控制方法研究[D]. 刘春元. 西安科技大学, 2011(04)
- [7]肩周炎康复仪的设计及其智能控制研究[D]. 张国刚. 东北大学, 2011(05)
- [8]基于自整定PID控制器的温度控制系统研究[D]. 欧阳磊. 安徽理工大学, 2009(06)
- [9]某扫雷犁自学习模糊神经控制系统的研究[D]. 韩一杰. 南京理工大学, 2007(01)
- [10]基于免疫群体网络算法的故障诊断系统研究[D]. 郝伟. 太原理工大学, 2007(04)