| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 相关技术的发展及研究现状 | 第11-14页 |
| 1.2.1 神经网络实现技术研究历史 | 第11-12页 |
| 1.2.2 FPGA发展现状 | 第12页 |
| 1.2.3 神经网络在轧制力预报的现状 | 第12-14页 |
| 1.3 论文结构及内容安排 | 第14-15页 |
| 第2章 神经网络及其实现技术 | 第15-23页 |
| 2.1 人工神经网络基本原理 | 第15-17页 |
| 2.1.1 神经元模型 | 第15页 |
| 2.1.2 神经网络模型分类 | 第15-16页 |
| 2.1.3 神经网络学习方法 | 第16-17页 |
| 2.2 BP神经网络 | 第17-20页 |
| 2.2.1 BP神经网络算法 | 第18-19页 |
| 2.2.2 BP神经网络的改进 | 第19-20页 |
| 2.3 神经网络的实现技术分类 | 第20-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 FPGA实现人工神经网络的几个关键技术改进 | 第23-36页 |
| 3.1 利用平滑插值法对神经网络的激励函数进行实现 | 第23-30页 |
| 3.1.1 神经网络激励函数的选择和实现方法 | 第23-25页 |
| 3.1.2 双极性S函数的平滑插值法逼近 | 第25-29页 |
| 3.1.3 双极性S函数硬件实现以及误差分析 | 第29-30页 |
| 3.2 循环缓存技术实现中间数据存储 | 第30-31页 |
| 3.2.1 FPGA存储技术 | 第30-31页 |
| 3.2.2 循环缓存技术实现方法 | 第31页 |
| 3.3 FPGA的并行计算与深度流水线技术 | 第31-34页 |
| 3.3.1 FPGA的深度流水线技术 | 第31-33页 |
| 3.3.2 流水线技术在神经网络中的应用 | 第33-34页 |
| 3.4 定点小数实现神经网络 | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第4章 基于FPGA的BP神经网络的设计与实现 | 第36-47页 |
| 4.1 基于FPGA的BP神经网络的整体结构设计 | 第36-39页 |
| 4.1.1 单个神经元的FPGA实现 | 第36页 |
| 4.1.2 BP神经网络的FPGA实现 | 第36-39页 |
| 4.2 基于FPGA的BP神经网络的各模块设计 | 第39-41页 |
| 4.2.1 MAC模块 | 第39页 |
| 4.2.2 激励函数模块 | 第39-40页 |
| 4.2.3 各存储模块 | 第40页 |
| 4.2.4 误差计算模块 | 第40-41页 |
| 4.2.5 更新模块 | 第41页 |
| 4.3 基于FPGA的BP神经网络及性能测试 | 第41-46页 |
| 4.3.1 单输入BP神经网络逼近sinx函数 | 第41-43页 |
| 4.3.2 多输入BP神经网络逼近复杂非线性函数 | 第43-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 基于FPGA的BP神经网络在轧制预报中的应用 | 第47-60页 |
| 5.1 传统的带钢冷轧机参数模型 | 第47-49页 |
| 5.1.1 冷轧轧制变形区及其参数 | 第47-48页 |
| 5.1.2 传统的冷轧轧制力数学模型 | 第48-49页 |
| 5.2 单机架BP神经网络轧制力模型 | 第49-51页 |
| 5.2.1 输入和输出层节点的确定 | 第49-50页 |
| 5.2.2 隐含层节点数的确定 | 第50-51页 |
| 5.2.3 网络学习过程的参数设定及数据处理 | 第51页 |
| 5.3 BP神经网络轧制力模型的实际应用与结果分析 | 第51-59页 |
| 5.3.1 现场实测数据收集 | 第51-52页 |
| 5.3.2 基于MATLAB实现BP神经网络轧制力模型预报 | 第52-53页 |
| 5.3.3 基于FPGA实现BP神经网络轧制力预报模型预报 | 第53-57页 |
| 5.3.4 轧制力预报模型性能对比分析 | 第57-59页 |
| 5.4 本章小结 | 第59-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第65-66页 |
| 致谢 | 第66页 |
