| 摘要 | 第1-4页 |
| ABSTRACT | 第4-12页 |
| 第1章 绪论 | 第12-22页 |
| ·课题的研究背景与选题意义 | 第12-14页 |
| ·全氢罩式炉研究现状 | 第14-17页 |
| ·全氢罩式炉发展现状以及存在的主要问题 | 第15-16页 |
| ·全氢罩式炉控制系统研究现状 | 第16-17页 |
| ·复杂工业过程控制的常用策略 | 第17-21页 |
| ·PID 控制 | 第17-18页 |
| ·自适应控制 | 第18-19页 |
| ·模糊控制 | 第19-20页 |
| ·神经网络控制 | 第20-21页 |
| ·论文主要内容 | 第21页 |
| ·本章小结 | 第21-22页 |
| 第2章 全氢罩式炉退火工艺及控制系统 | 第22-38页 |
| ·钢卷退火的目的 | 第22页 |
| ·钢卷退火的要求 | 第22-23页 |
| ·钢卷退火设备的种类和特点 | 第23-26页 |
| ·连续退火炉 | 第23-24页 |
| ·罩式退火炉 | 第24-25页 |
| ·连续退火与罩式退火比较 | 第25-26页 |
| ·全氢罩式炉 | 第26-34页 |
| ·全氢罩式炉主要设备 | 第26-29页 |
| ·全氢罩式炉工艺流程 | 第29-33页 |
| ·全氢退火工艺的特点 | 第33-34页 |
| ·全氢罩式炉自动控制系统 | 第34-37页 |
| ·全氢罩式炉炉温控制 | 第34-35页 |
| ·全氢罩式炉的安全控制 | 第35-36页 |
| ·炉台风机的自动控制 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第3章 径向基神经网络的研究及其学习算法的改进 | 第38-57页 |
| ·RBF 神经网络原理 | 第39页 |
| ·RBF 神经网络的结构 | 第39-41页 |
| ·RBF 神经网络的算法 | 第41-47页 |
| ·随机选取中心算法（直接计算法） | 第42页 |
| ·自组织RBF 学习算法 | 第42-43页 |
| ·正交最小二乘法 | 第43-44页 |
| ·最近邻聚类RBF 学习算法 | 第44-47页 |
| ·最近邻聚类RBF 的改进 | 第47-52页 |
| ·聚类范围内取均值的最近邻聚类RBF 算法 | 第47-50页 |
| ·基于负梯度下降法的最近邻聚类RBF 算法 | 第50-52页 |
| ·仿真研究 | 第52-56页 |
| ·本章小结 | 第56-57页 |
| 第4章 全氢罩式炉炉温的RBF 神经网络PID 预测控制的研究 | 第57-87页 |
| ·神经网络PID 预测控制的研究 | 第58-69页 |
| ·RBF 神经网络预测模型 | 第59-62页 |
| ·预测模型在线修正 | 第62-63页 |
| ·反馈校正 | 第63-64页 |
| ·RBF 神经网络PID 预测控制 | 第64-69页 |
| ·全氢罩式炉炉温的RBF 神经网络PID 预测控制 | 第69-75页 |
| ·罩式炉炉温预测模型的建立 | 第70-74页 |
| ·反馈校正 | 第74-75页 |
| ·罩式炉炉温RBF 神经网络PID 预测控制器 | 第75页 |
| ·全氢罩式炉温度控制系统的仿真研究 | 第75-86页 |
| ·径向基函数宽度的设定 | 第76-83页 |
| ·系统对干扰的适应性 | 第83-86页 |
| ·本章小结 | 第86-87页 |
| 第5章 结论与展望 | 第87-90页 |
| 参考文献 | 第90-94页 |
| 致谢 | 第94-95页 |
| 攻读硕士学位期间发表的学术论文 | 第95页 |