自构建小波神经网络的内模控制研究与应用
本文研究了自构建小波神经网络的内模控制技术，讨论了小波神经网络隐含层神经元的数量对整个网络的规模和性能的影响，并提出了根据小波基函数的激励强度和衰减程度来添加或删除小波神经网络隐含层神经元的方法，从而优化了小波神经网络隐含层结构。同时，本文还提出了使用自构建小波神经网络来辨识内模控制系统的正模 型和逆模型，并实现了氧化铝熟料烧结工艺的优化。
知识点：
1. 小波神经网络（Wavelet Neural Network，WNN）：一种基于小波变换的神经网络，它可以用于信号处理、图像处理和模式识别等领域。
2. 内模控制（Internal Model Control，IMC）：一种基于模型预测控制的方法，用于控制系统的稳定性和鲁棒性。
3. 小波基函数（Wavelet Basis Function）：一种数学函数，用于表示信号的频域和时域特征。
4. 自构建小波神经网络（Self-Built Wavelet Neural Network）：一种基于小波神经网络的自适应学习算法，能够根据实际情况动态调整网络结构和参数。
5. 神经网络结构优化（Neural Network Structure Optimization）：对神经网络结构的调整和优化，以提高网络的性能和鲁棒性。
6. 模型辨识（Model Identification）：对系统模型的参数和结构的识别和估计，以实现系统的控制和优化。
7. 氧化铝熟料烧结工艺（Clinker Sintering Process）：一种工业生产过程，涉及到氧化铝的烧结和熟料生产。
相关技术：
1. 深度学习（Deep Learning）：一种基于人工神经网络的机器学习技术，用于模式识别、自然语言处理和计算机视觉等领域。
2. 机器学习（Machine Learning）：一种基于机器学习算法的技术，用于数据分析、模式识别和预测等领域。
3. 数据建模（Data Modeling）：一种基于数据分析和建模的技术，用于数据挖掘、数据分析和数据可视化等领域。
4. 专业指导（Professional Guidance）：一种基于领域专家的指导和 mentorship 的技术，用于知识传递和技能培训等领域。
本文研究了自构建小波神经网络的内模控制技术，并讨论了小波神经网络隐含层神经元的数量对整个网络的影响，并提出了模型辨识和优化方法，以实现氧化铝熟料烧结工艺的优化。
