| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-13页 |
| ·本课题研究的背景 | 第9-10页 |
| ·喂线技术研究水平和发展趋势 | 第10-11页 |
| ·喂线技术研究水平 | 第10-11页 |
| ·喂线技术发展趋势 | 第11页 |
| ·本课题研究的意义与目的 | 第11-12页 |
| ·本课题研究的主要内容 | 第12-13页 |
| 2 喂线技术 | 第13-21页 |
| ·喂线技术的特点 | 第13-18页 |
| ·包芯线 | 第15-16页 |
| ·喂线机 | 第16-18页 |
| ·影响喂线效果的因素 | 第18-21页 |
| ·喂线速度对处理效果的影响 | 第18-19页 |
| ·铁水处理温度对处理效果的影响 | 第19页 |
| ·温度对镁在铁水中的溶解度的影响 | 第19-21页 |
| 3 专家系统与人工神经网络在铸造上的应用 | 第21-29页 |
| ·基于人工神经网络技术的专家系统 | 第21-23页 |
| ·专家系统(Expert System，ES)应用 | 第21-22页 |
| ·人工神经网络应用 | 第22页 |
| ·基于ANN 的ES 集成系统应用 | 第22-23页 |
| ·神经网络模型 | 第23-25页 |
| ·神经网络建模原理 | 第23页 |
| ·BP 神经网络 | 第23-25页 |
| ·面向MATLAB 的BP 神经网络原理 | 第25-29页 |
| ·BP 神经元结构 | 第25-26页 |
| ·标准BP 算法 | 第26-29页 |
| 4 喂线量系统网络模型 | 第29-44页 |
| ·包芯线喂入量计算 | 第29-30页 |
| ·开发工具的选择 | 第30-38页 |
| ·知识库的构建 | 第30-31页 |
| ·基于BP 神经网络的喂线量的模拟 | 第31-34页 |
| ·网络的训练 | 第34-37页 |
| ·泛化性能测试 | 第37-38页 |
| ·结果与分析讨论 | 第38-41页 |
| ·预测结果 | 第38-40页 |
| ·分析 | 第40页 |
| ·讨论 | 第40-41页 |
| ·利用人工神经网络的专家系统求喂线量 | 第41-42页 |
| ·知识存储 | 第41-42页 |
| ·网络实际工作 | 第42页 |
| ·系统的推理流程 | 第42-44页 |
| 5 面向对象的喂线量系统的具体实现 | 第44-58页 |
| ·MATLAB 与VC++转化 | 第44-47页 |
| ·算法的类设计及实现 | 第45-47页 |
| ·程序框架的设计思路 | 第47页 |
| ·设计工具的选择 | 第47页 |
| ·系统程序框架 | 第47页 |
| ·系统数据库设计及编程接口 | 第47-53页 |
| ·数据库管理系统概述 | 第47-48页 |
| ·数据库访问技术 | 第48-49页 |
| ·数据库具体设计 | 第49-51页 |
| ·数据库模块的编程接口 | 第51-53页 |
| ·系统的界面设计 | 第53-55页 |
| ·界面操作简介 | 第54-55页 |
| ·分析与讨论 | 第55页 |
| ·各因素对喂线量的影响分析 | 第55-58页 |
| 6 结论与课题展望 | 第58-59页 |
| ·主要结论 | 第58页 |
| ·研究展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 附录 | 第63-85页 |
| 攻读学位期间发表的学术论文目录 | 第85-86页 |
| 致谢 | 第86页 |