| 摘要 | 第1-3页 |
| Abstract | 第3-6页 |
| 第一章 绪论 | 第6-13页 |
| ·课题的来源与意义 | 第6-7页 |
| ·国内外连铸连轧技术的发展和现状 | 第7-9页 |
| ·人工神经网络在组织性能预报领域的应用 | 第9-11页 |
| ·人工神经网络与组织性能预报结合的优势 | 第11-12页 |
| ·高速计算能力 | 第11页 |
| ·大容量记忆能力 | 第11页 |
| ·学习能力 | 第11页 |
| ·容错能力 | 第11-12页 |
| ·本文研究的目的与内容 | 第12-13页 |
| 第二章 神经网络及遗传算法基本原理 | 第13-27页 |
| ·人工神经网络技术的发展概况和技术水平 | 第13-15页 |
| ·BP 网络的理论、模型及学习过程 | 第15页 |
| ·BP 神经网络的学习过程 | 第15-17页 |
| ·BP 神经网络模型应用中的问题 | 第17-19页 |
| ·遗传算法理论 | 第19-20页 |
| ·遗传算法的运行过程 | 第20-26页 |
| ·遗传算法的特点 | 第26-27页 |
| 第三章 薄板坯连铸连轧性能预测的数学模型与BP 模型 | 第27-39页 |
| ·某钢厂SPHC 生产线钢板的力学统计 | 第27-31页 |
| ·薄板坯连铸连轧性能预测的数学模型 | 第31-33页 |
| ·薄板坯连铸连轧性能预测的BP 网络模型 | 第33-35页 |
| ·输入层的确定 | 第33页 |
| ·输出层的确定 | 第33页 |
| ·隐含层的确定 | 第33-34页 |
| ·数据预处理 | 第34-35页 |
| ·使用BP 网络模型进行连铸连轧性能预测 | 第35-38页 |
| ·本章小结 | 第38-39页 |
| 第四章 遗传算法优化BP 神经网络及性能仿真 | 第39-48页 |
| ·遗传算法与神经网络的结合 | 第39-41页 |
| ·神经网络连接权的进化 | 第39-40页 |
| ·神经网络结构的进化 | 第40页 |
| ·神经网络学习规则的进化 | 第40-41页 |
| ·遗传算法优化BP 网络之遗传操作设置 | 第41-44页 |
| ·编码操作 | 第41-42页 |
| ·适应度函数 | 第42-43页 |
| ·选择算子 | 第43页 |
| ·交叉操作 | 第43页 |
| ·变异算子 | 第43-44页 |
| ·异或问题的BP 和GA-BP 求解 | 第44-47页 |
| ·本章小结 | 第47-48页 |
| 第五章 基于遗传算法和BP 网络的薄板坯连铸连轧性能预报模型 | 第48-56页 |
| ·GA-BP 的染色体生成 | 第48-49页 |
| ·适应度函数的确定 | 第49页 |
| ·选择操作 | 第49-50页 |
| ·交叉操作 | 第50-51页 |
| ·变异操作 | 第51页 |
| ·算法运行过程 | 第51-53页 |
| ·模型应用 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 第六章 结束语和展望 | 第56-57页 |
| 参考文献 | 第57-59页 |
| 致谢 | 第59-60页 |
| 个人简历 | 第60页 |