《论文撰写规范.》由会员分享，可在线阅读，更多相关《论文撰写规范.（43页珍藏版）》请在金锄头文库上搜索。
1、注：此模板适用于本科生毕业设计(论文)。阅后删除此文本框。注：空白封面由学校统一印刷、发放；阅后删除此文本框。本科毕业设计（论文）注：此处是论文中文题目，不超过30个汉字，行距：多倍行距1.25，间距：段前、段后均为0行。阅后删除此文本框。GRADUATION DESIGN(THESIS)论文题目：（二号楷体） 注：工学学士等，2倍行距。阅后删除此文本框。本科生姓名：（小二号楷体加黑） 学号：（字体同姓名）指导教师姓名：（三号楷体加黑） 职称： 申请学位类别： 专业： 设计(论文)提交日期：（小四号楷体加黑）答辩日期：（小四号楷体加黑）毕业设计（论文）版权使用授权书本毕业设计（论文）作者完全了
2、解 兰州交通大学 有关保留、使用毕业设计（论文）的规定。特授权 兰州交通大学 可以将毕业设计（论文）的全部或部分内容编入有关数据库进行检索，并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校向国家有关部门或机构送交设计(论文)的复印件和电子文档。（保密的毕业设计（论文）在解密后适用本授权说明）毕业设计（论文）作者签名： 指导教师签名：签字日期： 年 月 日 签字日期： 年 月 日 注：此页为封二。阅后删除此文本框。注：居中，宋体，小二号，加黑。阅后删除此文本框。本科毕业设计(论文)兰州交通大学本科毕业设计（论文）格式规范Format Criterion of Undergrad
3、uate Graduation Design (Thesis) of LZJTU注：此处是论文中英文题目，中文题目，不超过30个汉字，居中，字体：宋体，加黑，字号：二号，行距：多倍行距1.25，间距：段前、段后均为0行，取消网格对齐选项。英文题目，与中文题目对应，居中，字体：Times New Roman，加黑，字号：三号，行距：多倍行距1.25，间距：段前、段后均为0行，取消网格对齐选项。阅后删除此文本框。注：此处是本科生论文的标识，按照实际情况填写即可。字体：宋体，字号：四号，行距：多倍行距1.25，间距：段前、段后均为0行，取消网格对齐选项。阅后删除此文本框。姓 名： 学 号： 学 院：
4、 专 业 班 级： 指 导 教 师： 完 成 日 期： 兰 州 交 通 大 学Lanzhou Jiaotong University兰州交通大学本科毕业设计（论文）注：本部分摘要内容由学生和指导教师按照规范确定，这里仅仅是段落格式要求。阅后删除此文本框。注：奇数页眉加“兰州交通大学本科毕业设计（论文）”，偶数页眉加“论文中文题目”，居中，宋体，五号。阅后删除此文本框。注：“摘要”中间空两个汉字。“目录、结论和致谢”要求相同。阅后删除此文本框。摘 要基于神经网络的模型参考自适应控制既具有神经网络的自适应和自学习能力，又提高了控制的鲁棒性和实时性，因此得到了广泛应用并取得了不少研究成果。但由于传统
5、神经网络控制器采用BP学习算法，存在着收敛速度慢，易陷入局部极小等问题，影响了该模型的进一步应用。基于此，本文对传统BP学习算法进行改进，并将此应用到模型参考自适应控制神经网络控制器的设计中，和数字锁相环控制组成复合控制，对感应加热电源进行控制，仿真结果表明该算法是十分有效的。主要研究内容如下：(1) 提出了改进的分层递阶BP(HBP)和改进的双向权值调整两种学习算法。HBP网络结构被划分为多个单独的BP网络，每个BP网络分别用单独的学习速率和误差来训练权值。通过应用HBP算法在非线性系统辨识中进行仿真，证明了该方法的有效性和可行性。改进的双向权值调整学习算法是单隐层神经网络结构，将神经网络权
6、值的调整分成两个阶段：正向阶段调整隐含层到输出层的权值，反向阶段调整输入层到隐含层的权值。这样构建的网络结构简单，弥补了传统BP算法的不足。(2) 基于改进的HBP算法，提出了应用HBP算法训练RBF网络连接权的改进RBF神经网络，仿真结果表明该算法能有效提高了RBF网络的性能和训练速率。(3) 通过采用改进双向权值调整学习的BP学习算法完成对被控对象的辨识，改进RBF神经网络训练控制器参数，学习速率自调整的BP算法训练自适应滤波器，提出改进的神经网络模型参考自适应控制器。通过对该系统仿真，结果表明该控制方法是可行的和有效的。(4) 将改进的神经网络模型参考自适应控制器和数字锁相环控制相结合，
7、提出复合控制器，并对感应加热电源进行控制。当逆变器开关频率与负载固有谐振频率误差值大于或等于偏差设定值时，采用单纯的神经网络模型参考自适应控制进行频率修正；当频率误差值小于偏差设定值时，采用数字锁相环控制，进行频率和相位同时高精度修正。与传统锁相环控制感应加热电源进行对比，复合控制提高了系统的快速性，改进了感应加热电源的性能。关键词：模型参考自适应控制；神经网络；BP算法；RBF算法；锁相环中文摘要部分格式要求：注：次页为说明页，阅后删除此页和此文本框。(1)“摘要”是摘要部分的标题，不可省略。标题“摘要”选用模板中的样式所定义的“标题1”，再居中；或者手动设置成字体：黑体，居中，字号：小三，
8、1.5倍行距，段后11磅，段前为0。(2) 论文摘要应不少于400字。(3) 摘要正文选用模板中的样式所定义的“正文”，每段落首行缩进2个汉字；或者手动设置成每段落首行缩进2个汉字，字体：宋体，字号：小四，行距：多倍行距 1.25，间距：段前、段后均为0行，取消网格对齐选项。(4) 摘要正文后，列出3-5个关键词。“关键词：”是关键词部分的引导，不可省略。关键词请尽量用汉语主题词表等词表提供的规范词。(5) 关键词与摘要之间空一行，多倍行距1.25。关键词词间用分号间隔，末尾不加标点，3-5个，黑体，小四，加粗。中文摘要部分格式注意事项：(1) 论文摘要是学位论文的缩影，文字要简练、明确。内容
9、要包括目的、方法、结果和结论，应突出论文的新见解部分。单位制一律换算成国际标准计量单位制，除特别情况外，数字一律用阿拉伯数码。文中不允许出现插图。重要的表格可以写入。 (2) 摘要中的编号和标点用Times New Roman字体，摘要和结论中如需要出现序号的采用“(1)、(2)”的形式，字体为Times New Roman（英文中编号与此要求相同）。IAbstractNeural Networks model reference adaptive control (NNMRAC) not only possesses the neural networks merits of adaptiv
10、e and self learning ability, but also improves the control systems performance in robust and real-time. NNMRAC has attracted so many researchers interest and attention, and lots of research results have been achieved. However, traditional NNMRAC adopts BP learning algorithm, which limits its further
11、 extended applications due to slow convergence speed and easily falling into local minimum of BP algorithm. Based on it, the thesis implements improvements on traditional BP learning algorithm, and adopts the improved BP learning algorithm to NNMRAC to construct the combination control on the induct
12、ion heating power with digital phase-locked loop (DPLL), together. The simulation results indicate that the proposed algorithm is quite effective. The main contents are below.(1) To propose the two improved BP learning algorithm called as the improved hierarchical back propagation (HBP) algorithm an
13、d the improved Bi-phases weights adjusting learning algorithm, respectfully. The HBP neural networks can be divided into several individual BP neural networks, the weights in each network are trained by individual error cost and learning rate. Simulations in the nonlinear system identification show
14、the effectiveness and feasibility of the proposed HBP algorithm. The improved bi-phases weights adjusting learning algorithm has a single hidden layer structure, and the weights are adjusted in two stages. The weights from hidden layer to output layer are adjusted at forward process, and the weights from input layer to hidden layer are adjusted at backward process. Thus the networks structure is simplified and the shortcomings of the traditional BP algorithm a
