| 摘要 | 第1-6页 |
| ABSTRACT | 第6-19页 |
| 第一章 绪论 | 第19-31页 |
| ·研究背景 | 第19-21页 |
| ·国内外研究现状 | 第21-24页 |
| ·控制与优化问题 | 第24-26页 |
| ·建模、控制与优化思想 | 第26-29页 |
| ·论文构成 | 第29-31页 |
| 第二章 基于回归神经网络的热轧加热炉建模 | 第31-71页 |
| ·加热炉生产过程 | 第31-35页 |
| ·蓄热式燃烧技术 | 第32-33页 |
| ·蓄热式推钢加热炉 | 第33-35页 |
| ·步进式加热炉 | 第35页 |
| ·回归神经网络模型 | 第35-41页 |
| ·动态神经网络的结构 | 第36-38页 |
| ·加热炉回归神经网络模型 | 第38-41页 |
| ·回归神经网络的学习算法及其收敛性分析 | 第41-48页 |
| ·BP学习算法及其收敛性分析 | 第41-44页 |
| ·GAP-EKF序贯学习算法 | 第44-48页 |
| ·钢温预测复合模型 | 第48-50页 |
| ·传热模型 | 第48-49页 |
| ·复合模型 | 第49-50页 |
| ·仿真分析 | 第50-70页 |
| ·炉温预测回归神经网络模型 | 第51-67页 |
| ·钢温预测传热和回归神经网络模型 | 第67-70页 |
| ·小结 | 第70-71页 |
| 第三章 基于免疫克隆进化算法的燃烧过程多模型控制 | 第71-104页 |
| ·炉温解耦自适应PID控制 | 第71-77页 |
| ·双交叉限幅控制 | 第72-75页 |
| ·Smith多变量补偿 | 第75页 |
| ·解耦控制 | 第75-77页 |
| ·自适应机制 | 第77页 |
| ·炉温模糊神经网络专家控制 | 第77-86页 |
| ·模糊专家控制 | 第77-80页 |
| ·基于阀门开度的流量跟踪控制 | 第80-83页 |
| ·空燃比自寻优控制 | 第83-84页 |
| ·模糊神经网络控制 | 第84-86页 |
| ·炉温模糊神经网络控制器的免疫克隆进化学习算法 | 第86-89页 |
| ·规则优化算法 | 第86-87页 |
| ·免疫克隆进化优化算法 | 第87-89页 |
| ·炉温多模型控制结构 | 第89-91页 |
| ·模糊控制器和模糊神经网络控制器的稳定性分析 | 第91-96页 |
| ·模糊控制器的稳定性 | 第91-94页 |
| ·模糊神经网络控制器的稳定性 | 第94-96页 |
| ·免疫克隆进化算法的收敛性分析 | 第96-98页 |
| ·基于免疫克隆进化算法的模糊神经网络控制仿真分析 | 第98-103页 |
| ·小结 | 第103-104页 |
| 第四章 基于混合粒子群优化算法的炉温优化设定 | 第104-116页 |
| ·炉温优化设定模型 | 第104-108页 |
| ·稳态优化 | 第105-106页 |
| ·动态补偿 | 第106-107页 |
| ·待轧和交接班炉温设定 | 第107-108页 |
| ·基于混合粒子群优化算法的炉温稳态优化设定 | 第108-112页 |
| ·粒子群优化 | 第108-109页 |
| ·混合粒子群优化 | 第109-112页 |
| ·混合粒子群优化算法的稳定性分析 | 第112-113页 |
| ·仿真分析 | 第113-115页 |
| ·小结 | 第115-116页 |
| 第五章 工业实现与运行效果 | 第116-136页 |
| ·研究对象 | 第116-118页 |
| ·蓄热式推钢加热炉分布式控制系统 | 第118-122页 |
| ·系统应用软件 | 第122-128页 |
| ·应用软件结构 | 第122-124页 |
| ·基于ICE算法的炉温多模型控制与炉温优化设定实现 | 第124-127页 |
| ·鼓风机风量变频调节 | 第127-128页 |
| ·工业运行效果 | 第128-135页 |
| ·蓄热式推钢加热炉自适应模糊神经网络专家控制 | 第128-132页 |
| ·步进式加热炉自适应模糊神经网络专家控制 | 第132-135页 |
| ·小结 | 第135-136页 |
| 第六章 结论与展望 | 第136-139页 |
| ·结论 | 第136-138页 |
| ·展望 | 第138-139页 |
| 参考文献 | 第139-149页 |
| 致谢 | 第149-150页 |
| 发表的学术论文 | 第150-151页 |
| 科研工作情况 | 第151页 |