| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 引言 | 第9-10页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 热连轧带钢轧制技术的发展与现状 | 第10-11页 |
| 1.1.1 热连轧带钢轧制技术在国内外的发展 | 第10页 |
| 1.1.2 热连轧带钢厚度控制技术的发展现状 | 第10-11页 |
| 1.2 粒子群算法的发展现状 | 第11-12页 |
| 1.2.1 粒子群算法的研究进展 | 第11-12页 |
| 1.2.2 粒子群算法的改进现状 | 第12页 |
| 1.3 人工神经网络概述 | 第12-13页 |
| 1.4 滑模变结构控制理论的发展与研究现状 | 第13-15页 |
| 1.4.1 滑模控制理论的发展 | 第13页 |
| 1.4.2 滑模控制理论的研究现状 | 第13-15页 |
| 1.5 课题的研究意义 | 第15页 |
| 1.6 课题的主要研究内容 | 第15-17页 |
| 第2章 带钢厚度控制研究 | 第17-25页 |
| 2.1 热连轧带钢生产工艺 | 第17-19页 |
| 2.2 厚度控制基本理论 | 第19-21页 |
| 2.3 活套控制系统 | 第21-24页 |
| 2.3.1 活套张力系统建模 | 第22-23页 |
| 2.3.2 活套高度系统建模 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 粒子群算法的改进研究 | 第25-36页 |
| 3.1 粒子群算法的基本原理 | 第25-27页 |
| 3.2 粒子群算法的控制参数 | 第27页 |
| 3.3 粒子群算法的性能改进研究 | 第27-29页 |
| 3.4 粒子群算法的改进 | 第29-35页 |
| 3.4.1 IPSO算法的基本计算步骤 | 第30-31页 |
| 3.4.2 IPSO算法的仿真实验 | 第31-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第4章 IPSO算法优化神经网络 | 第36-48页 |
| 4.1 RBF神经网络模型 | 第36-39页 |
| 4.1.1 RBF网络的结构 | 第36-37页 |
| 4.1.2 RBF网络的重要参数 | 第37-39页 |
| 4.1.3 RBF网络的优点 | 第39页 |
| 4.2 IPSO算法优化RBF神经网络 | 第39-40页 |
| 4.2.1 IPSO算法优化RBF神经网络的可行性分析 | 第40页 |
| 4.2.2 IPSO算法优化RBF神经网络的优点 | 第40页 |
| 4.3 IPSO算法优化RBF神经网络的方法 | 第40-43页 |
| 4.3.1 RBF神经网络的结构设计 | 第40-41页 |
| 4.3.2 IPSO优化神经网络参数 | 第41-43页 |
| 4.4 IPSO优化RBF神经网络的运算步骤 | 第43-44页 |
| 4.5 仿真实验 | 第44-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第5章 滑模变结构控制的研究 | 第48-55页 |
| 5.1 滑模变结构控制简介 | 第48页 |
| 5.2 滑模变结构控制基本原理 | 第48-51页 |
| 5.2.1 滑模变结构控制到达条件 | 第49-50页 |
| 5.2.2 滑模变结构控制的特性 | 第50-51页 |
| 5.3 滑模变结构控制抖振问题 | 第51-52页 |
| 5.4 滑模变结构控制系统的设计 | 第52-54页 |
| 5.5 本章小结 | 第54-55页 |
| 第6章 热连轧带钢厚度控制仿真研究 | 第55-64页 |
| 6.1 控制方案 | 第55页 |
| 6.2 基于等效控制的离散系统滑模控制 | 第55-56页 |
| 6.3 基于IPSO-RBF网络的等效滑模控制 | 第56-61页 |
| 6.3.1 基于IPSO-RBF网络的等效滑模控制原理 | 第56-57页 |
| 6.3.2 基于IPSO-RBF的离散滑模控制器 | 第57-58页 |
| 6.3.3 仿真实验 | 第58-61页 |
| 6.4 活套系统的IPSO-RBF滑模变结构控制仿真研究 | 第61-63页 |
| 6.5 本章小结 | 第63-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 致谢 | 第69-70页 |
| 导师简介 | 第70-71页 |
| 作者简介 | 第71-72页 |
| 学位论文数据集 | 第72页 |
