| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-10页 |
| 第1章 绪论 | 第10-17页 |
| ·课题研究背景和实际意义 | 第10页 |
| ·基于人工神经网络的板形识别模型的研究目的 | 第10-11页 |
| ·神经网络及板形识别模型的研究现状 | 第11-15页 |
| ·国外研究概况 | 第11-13页 |
| ·国内研究概况 | 第13-14页 |
| ·存在的问题 | 第14-15页 |
| ·课题来源与主要研究内容 | 第15-16页 |
| ·课题来源 | 第15页 |
| ·主要研究内容 | 第15-16页 |
| ·本文组织结构 | 第16-17页 |
| 第2章 基于 SVM 分类器的分布式神经网络 | 第17-28页 |
| ·概述 | 第17页 |
| ·RBF 神经网络的工作原理 | 第17-20页 |
| ·支持向量机与三层神经网络的等价性证明 | 第20-21页 |
| ·基于 SVM 分类的分布式 RBF 网络模型 | 第21-24页 |
| ·基于 SVM 分类的分布式 RBF 网络的构建方法 | 第21-22页 |
| ·分布式 RBF 网络模型的训练算法 | 第22-23页 |
| ·分布式 RBF 网络模型的识别算法 | 第23-24页 |
| ·基于 SVM 分类器的分布式 RBF 神经网络应用结果分析 | 第24-26页 |
| ·分布式网络与非分布式网络训练时间的比较 | 第24-25页 |
| ·分布式网络与非分布式网络识别精度的比较 | 第25-26页 |
| ·本章小结 | 第26-28页 |
| 第3章 基于粒子群优化算法的神经网络训练方法 | 第28-40页 |
| ·概述 | 第28页 |
| ·标准粒子群算法 | 第28-29页 |
| ·基于动态权重粒子群优化的神经网络训练算法 | 第29-34页 |
| ·基于动态惯性权值的粒子群算法 | 第29-31页 |
| ·基于粒子群优化的神经网络训练方法 | 第31-34页 |
| ·基于动态惯性权重 PSO 的神经网络训练算法运行结果分析 | 第34-39页 |
| ·基于动态惯性权重变量的粒子群算法收敛结果分析 | 第34-38页 |
| ·基于粒子群算法优化的三层神经网络运行结果分析 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 第4章 基于分布式神经网络的板形识别模型 | 第40-47页 |
| ·概述 | 第40页 |
| ·板形的数学表示方法及经典的 RBF 模式识别 | 第40-42页 |
| ·板形基本模式及其数学表示 | 第40-42页 |
| ·传统的基于标准 RBF 神经网络的模式识别模型 | 第42页 |
| ·基于分布式神经网络的板形识别模型 | 第42-45页 |
| ·板形实测数据的预处理 | 第42-43页 |
| ·基于 SVM 分类器的分布式 RBF 网络板形识别模型的构建方法 | 第43-44页 |
| ·基于 PSO 优化的分布式 RBF 网络板形识别模型的训练算法 | 第44-45页 |
| ·分布式神经网络板形识别模型的识别算法 | 第45页 |
| ·本章小结 | 第45-47页 |
| 第5章 1220 冷连轧机板形识别模型仿真实验 | 第47-56页 |
| ·实验数据及编程环境 | 第47-49页 |
| ·实验数据的获取及分析 | 第47-49页 |
| ·仿真语言的选择 | 第49页 |
| ·分布式神经网络的板形识别模型运行结果分析 | 第49-51页 |
| ·分布式神经网络的板形识别模型收敛结果分析 | 第49-50页 |
| ·分布式神经网络的板形识别模型识别精度分析 | 第50-51页 |
| ·最小二乘法与分布式神经网络板形识别结果比较 | 第51-54页 |
| ·最小二乘法与分布式神经网络对板形拟合结果比较 | 第51-52页 |
| ·最小二乘法与分布式神经网络板形识别时间比较 | 第52-53页 |
| ·分布式神经网络对模拟板形数据的拟合结果 | 第53-54页 |
| ·分布式神经网络板形识别模型在生产数据上的仿真 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读学位期间承担的科研任务与主要成果 | 第62-63页 |
| 致谢 | 第63-64页 |
| 作者简介 | 第64页 |
