热轧带钢力学性能软测量方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 组织性能软测量模型的建立 | 第10-14页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外发展情况 | 第11-13页 |
| 1.2.1 国外发展情况 | 第11-12页 |
| 1.2.2 国内发展情况 | 第12-13页 |
| 1.3 本文研究内容 | 第13页 |
| 1.4 本章小结 | 第13-14页 |
| 第2章 软测量模型数据预处理 | 第14-36页 |
| 2.1 组织性能软测量模型建立的要求及方案选择 | 第14-19页 |
| 2.1.1 冶金机理模型 | 第14-16页 |
| 2.1.2 统计模型 | 第16-19页 |
| 2.2 组织性能软测量模型的结构设计 | 第19-24页 |
| 2.2.1 参数确定的依据 | 第19-21页 |
| 2.2.2 原始化学成分的确定 | 第21-23页 |
| 2.2.3 热轧工艺的确定 | 第23-24页 |
| 2.2.4 力学性能 | 第24页 |
| 2.3 数据的预处理 | 第24-28页 |
| 2.3.1 数据采集阶段数据产生差错的原因 | 第25页 |
| 2.3.2 数据的筛选 | 第25-28页 |
| 2.4 数据的选取 | 第28页 |
| 2.5 样本数据的归一化 | 第28-31页 |
| 2.6 数据的主元分析 | 第31-35页 |
| 2.6.1 主元分析原理 | 第31页 |
| 2.6.2 主元分析的几何意义 | 第31-32页 |
| 2.6.3 主元分析的计算步骤及框图 | 第32-35页 |
| 2.7 本章小结 | 第35-36页 |
| 第3章 遗传算法优化BP神经网络软测量技术 | 第36-60页 |
| 3.1 BP神经网络的拓扑结构 | 第36页 |
| 3.2 BP神经网络的基本原理 | 第36-41页 |
| 3.2.1 神经网络的基本组成单元 | 第36-38页 |
| 3.2.2 神经网络的学习规则 | 第38-41页 |
| 3.3 BP神经网络结构的选择 | 第41-47页 |
| 3.3.1 隐含层数的确定 | 第41-42页 |
| 3.3.2 神经元节点数的确定 | 第42-44页 |
| 3.3.3 节点转移函数的确定 | 第44-45页 |
| 3.3.4 不同训练算法的确定 | 第45-47页 |
| 3.4 遗传算法对神经网络权值和阈值优化 | 第47-57页 |
| 3.4.1 遗传算法概述 | 第47-52页 |
| 3.4.2 对神经网络的优化 | 第52-57页 |
| 3.5 本章小结 | 第57-60页 |
| 第4章 支持向量机回归的软测量技术 | 第60-74页 |
| 4.1 支持向量机简介及原理 | 第60-64页 |
| 4.1.1 支持向量机简介 | 第60页 |
| 4.1.2 支持向量机的核心思想 | 第60-62页 |
| 4.1.3 支持向量机原理 | 第62-64页 |
| 4.2 支持向量分类(SVC)算法 | 第64-65页 |
| 4.2.1 线性可分情形 | 第64-65页 |
| 4.2.2 非线性可分情形 | 第65页 |
| 4.3 支持向量机(SVM)的核函数 | 第65-67页 |
| 4.4 支持向量回归(SVR)方法 | 第67-68页 |
| 4.4.1 线性回归情形 | 第67-68页 |
| 4.4.2 非线性回归情形 | 第68页 |
| 4.5 LIBSVM应用软件介绍 | 第68-69页 |
| 4.6 支持向量机中的参数寻优问题 | 第69-72页 |
| 4.7 本章小结 | 第72-74页 |
| 第5章 对比分析实验数据 | 第74-82页 |
| 5.1 神经网络与向量机原理对比 | 第74-75页 |
| 5.2 对比分析实验数据 | 第75-78页 |
| 5.3 基于matlabGUI的编程实现 | 第78-80页 |
| 5.4 本章小结 | 第80-82页 |
| 第6章 结论与展望 | 第82-84页 |
| 6.1 结论 | 第82页 |
| 6.2 展望 | 第82-84页 |
| 参考文献 | 第84-88页 |
| 致谢 | 第88页 |
