| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-16页 |
| ·课题研究的背景及意义 | 第10-11页 |
| ·常见的系统建模与辨识方法 | 第11-12页 |
| ·加热炉钢坯温度预测模型的研究及发展现状 | 第12-14页 |
| ·本文的主要研究工作 | 第14-16页 |
| 第2章 蓄热步进梁式加热炉的工艺简介 | 第16-26页 |
| ·加热炉在棒材生产线中的作用 | 第16页 |
| ·加热炉的组成及分类 | 第16-17页 |
| ·蓄热步进梁式加热炉简介 | 第17-22页 |
| ·步进梁式结构 | 第17-19页 |
| ·高效蓄热式加热炉 | 第19-22页 |
| ·数字化蓄热步进梁式加热炉 | 第22-24页 |
| ·本章小结 | 第24-26页 |
| 第3章 基于神经网络的钢温预测模型 | 第26-42页 |
| ·神经网络算法 | 第26-30页 |
| ·神经网络的发展应用及特点 | 第26-27页 |
| ·神经元及激活函数 | 第27-28页 |
| ·神经网络的互联模式与学习方式 | 第28-30页 |
| ·BP神经网络 | 第30-31页 |
| ·BP网络模型的结构 | 第30页 |
| ·BP学习算法的缺点与改进 | 第30-31页 |
| ·基于L-M法改进BP神经网络的钢温预测模型的建立 | 第31-40页 |
| ·蓄热步进梁式加热炉的特点及分区 | 第31-32页 |
| ·三段式神经网络模型的建立 | 第32-40页 |
| ·本章小结 | 第40-42页 |
| 第4章 基于粒子群优化神经网络的钢温模型 | 第42-60页 |
| ·粒子群算法的起源及基本思想 | 第42-43页 |
| ·粒子群算法原理 | 第43-46页 |
| ·基本粒子群算法 | 第43-44页 |
| ·标准粒子群算法 | 第44-46页 |
| ·标准粒子群算法优化钢温模型 | 第46-50页 |
| ·粒子群优化神经网络的设计 | 第46-47页 |
| ·算法的实现步骤及仿真验证 | 第47-50页 |
| ·改进的动态自适应粒子群算法优化钢温模型 | 第50-58页 |
| ·粒子群算法的改进策略 | 第50-51页 |
| ·动态自适应粒子群算法优化神经网络的实现步骤及仿真验证 | 第51-58页 |
| ·本章小结 | 第58-60页 |
| 第5章 基于自适应变异PSO协同SA优化钢温模型 | 第60-74页 |
| ·模拟退火算法 | 第60-63页 |
| ·模拟退火算法的基本思想与特点 | 第60-61页 |
| ·模拟退火算法的实现 | 第61-62页 |
| ·模拟退火算法冷却进度表的参数分析 | 第62-63页 |
| ·模拟退火算法优化钢温模型 | 第63-67页 |
| ·优化的基本流程 | 第64页 |
| ·模拟退火优化钢温模型的仿真验证 | 第64-67页 |
| ·自适应变异粒子群协同模拟退火优化钢温预测模型 | 第67-73页 |
| ·基于模拟退火思想的粒子群混合算法 | 第67页 |
| ·自适应变异PSO协同SA优化钢温模型 | 第67-73页 |
| ·本章小结 | 第73-74页 |
| 第6章 总结和展望 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80-82页 |
| 攻读硕士期间参加项目科研情况 | 第82页 |