| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第13-22页 |
| 1.1 课题研究的背景及意义 | 第13-14页 |
| 1.2 连铸技术的发展概况 | 第14-15页 |
| 1.3 连铸凝固传热模型的发展概况及研究现状 | 第15-17页 |
| 1.4 连铸凝固传热模型校正方法的研究现状 | 第17-20页 |
| 1.4.1 连铸凝固传热模型离线校正方法 | 第17-18页 |
| 1.4.2 连铸凝固传热模型在线校正方法 | 第18-19页 |
| 1.4.3 智能集成建模校正方法 | 第19-20页 |
| 1.5 论文的研究内容 | 第20-22页 |
| 第2章 连铸凝固传热过程分析及机理模型建立 | 第22-32页 |
| 2.1 连铸的工艺流程 | 第22-23页 |
| 2.2 连铸凝固传热的过程及特点分析 | 第23-25页 |
| 2.2.1 结晶器内传热过程及特点 | 第23-24页 |
| 2.2.2 二次冷却区的传热过程及特点 | 第24-25页 |
| 2.3 连铸凝固传热模型的建立 | 第25-32页 |
| 2.3.1 模型的基本假设及方程推导 | 第25-27页 |
| 2.3.2 条件的确定 | 第27-29页 |
| 2.3.3 模型的数值求解 | 第29-32页 |
| 第3章 连铸凝固传热模型在线校正方法研究 | 第32-44页 |
| 3.1 软测量技术理论概况 | 第32-35页 |
| 3.1.1 软测量技术的定义 | 第32页 |
| 3.1.2 软测量的实现过程 | 第32-35页 |
| 3.2 连铸凝固传热模型的校正原理 | 第35-36页 |
| 3.3 主导变量和辅助变量的选择 | 第36-38页 |
| 3.4 辅助模型对连铸凝固传热模型的校正方法 | 第38-41页 |
| 3.5 数据采集及数据预处理 | 第41-44页 |
| 3.5.1 数据的采集 | 第41-42页 |
| 3.5.2 数据预处理 | 第42-44页 |
| 第4章 基于遗传算法优化BP神经网络的模型校正方法 | 第44-65页 |
| 4.1 BP神经网络概述 | 第44-48页 |
| 4.1.1 人工神经网络基本原理 | 第44-46页 |
| 4.1.2 BP神经网络的结构 | 第46页 |
| 4.1.3 BP神经网络的训练过程 | 第46-48页 |
| 4.2 BP神经网络辅助模型的建立 | 第48-53页 |
| 4.2.1 网络层数的确定 | 第49页 |
| 4.2.2 各层神经元数目的确定 | 第49-51页 |
| 4.2.3 初始化参数的确定 | 第51-53页 |
| 4.3 遗传算法概述 | 第53-56页 |
| 4.3.1 遗传算法的基本思想 | 第53页 |
| 4.3.2 遗传算法的基本要素及实现过程 | 第53-56页 |
| 4.4 遗传算法对BP神经网络的优化 | 第56-59页 |
| 4.4.1 遗传算法优化BP神经网络的意义及流程 | 第56-58页 |
| 4.4.2 遗传算法参数的确定 | 第58-59页 |
| 4.5 仿真结果及分析 | 第59-65页 |
| 4.5.1 BP神经网络方法的仿真结果及分析 | 第59-62页 |
| 4.5.2 GA-BP神经网络方法的仿真结果及分析 | 第62-65页 |
| 第5章 基于粒子群算法优化支持向量机回归的模型校正方法 | 第65-81页 |
| 5.1 支持向量机概述 | 第65-67页 |
| 5.1.1 支持向量机的基本思想 | 第65页 |
| 5.1.2 支持向量机回归基本原理 | 第65-67页 |
| 5.2 支持向量机回归在线校正模型的建立 | 第67-70页 |
| 5.2.1 核函数的选择 | 第68-69页 |
| 5.2.2 模型参数的选择 | 第69-70页 |
| 5.3 粒子群算法概述 | 第70-72页 |
| 5.3.1 粒子群算法的基本原理 | 第70-71页 |
| 5.3.2 粒子群优化算法流程 | 第71-72页 |
| 5.4 粒子群算法对支持向量机回归的参数优化 | 第72-74页 |
| 5.5 仿真结果及分析 | 第74-81页 |
| 5.5.1 CV-SVR方法的仿真结果及分析 | 第74-76页 |
| 5.5.2 PSO-SVR方法的仿真结果及分析 | 第76-81页 |
| 结论 | 第81-83页 |
| 参考文献 | 第83-88页 |
| 攻读硕士学位期间发表的论文和获得的科研成果 | 第88-90页 |
| 致谢 | 第90-91页 |
