| 摘要 | 第3-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景 | 第11页 |
| 1.2 研究意义 | 第11-13页 |
| 1.3 研究现状 | 第13-15页 |
| 1.3.1 国外研究现状 | 第13-14页 |
| 1.3.2 国内研究现状 | 第14-15页 |
| 1.4 本文研究内容 | 第15-16页 |
| 1.5 论文结构 | 第16页 |
| 1.6 本章小结 | 第16-19页 |
| 第二章 热轧带钢的力学性能模型 | 第19-29页 |
| 2.1 双机架炉卷轧机工艺过程 | 第19-21页 |
| 2.2 模型参数分析 | 第21-26页 |
| 2.2.1 化学成分对板带性能的影响 | 第22-23页 |
| 2.2.2 乳制参数对板带性能的影响 | 第23-24页 |
| 2.2.3 力学性能介绍 | 第24-25页 |
| 2.2.4 模型参数汇总分析 | 第25-26页 |
| 2.3 模型结构设计 | 第26-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第三章 BP神经网络模型预测热轧板带力学性能 | 第29-49页 |
| 3.1 人工神经网络 | 第29-36页 |
| 3.1.1 人工神经网络的发展 | 第29-30页 |
| 3.1.2 人工神经网络结构 | 第30-31页 |
| 3.1.3 神经网络运行方式 | 第31-32页 |
| 3.1.4 神经网络的特性 | 第32-33页 |
| 3.1.5 神经网络模型 | 第33-36页 |
| 3.2 BP神经网络 | 第36-42页 |
| 3.2.1 BP神经网络模型 | 第37-38页 |
| 3.2.2 BP算法 | 第38-42页 |
| 3.3 BP神经网络预测热轧板带力学性能实际应用 | 第42-47页 |
| 3.3.1 样本与数据处理 | 第42页 |
| 3.3.2 BP网络各层神经元数目的确定 | 第42-44页 |
| 3.3.3 BP网络初始化参数的选取 | 第44-45页 |
| 3.3.4 BP模型预报结果分析 | 第45-47页 |
| 3.4 BP神经网络在力学性能预测上的不足 | 第47-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第四章 优化的BP神经网络对热轧板带力学性能预测 | 第49-65页 |
| 4.1 Levenbegr-Maruqart算法 | 第49-53页 |
| 4.1.1 改进BP-LM模型的建立 | 第50页 |
| 4.1.2 改进BP-LM模型预报结果分析 | 第50-53页 |
| 4.1.3 BP-LM模型和BP模型预报结果对比分析 | 第53页 |
| 4.2 遗传算法 | 第53-57页 |
| 4.2.1 遗传算法的发展 | 第53-54页 |
| 4.2.2 遗传算法的参数 | 第54-55页 |
| 4.2.3 遗传算法流程 | 第55-56页 |
| 4.2.4 遗传算法的特点 | 第56-57页 |
| 4.3 遗传算法对BP神经网络的优化 | 第57-59页 |
| 4.3.1 优化的可行性分析 | 第57页 |
| 4.3.2 优化的流程 | 第57-58页 |
| 4.3.3 适应度函数 | 第58-59页 |
| 4.4 GA-BP算法在力学性能预测中的应用 | 第59-63页 |
| 4.4.1 改进GA-BP模型的建立 | 第59-60页 |
| 4.4.3 改进GA-BP模型预报结果分析 | 第60-63页 |
| 4.5 综合分析 | 第63页 |
| 4.6 本章小结 | 第63-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 5.1 总结 | 第65页 |
| 5.2 展望 | 第65-67页 |
| 致谢 | 第67-69页 |
| 参考文献 | 第69-75页 |
| 附录A: 攻读硕士学位期间的科研成果 | 第75页 |