| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 目录 | 第8-10页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 课题研究目的与意义 | 第10页 |
| 1.2 国内外铝工业的发展现状及差距 | 第10-11页 |
| 1.3 铝制品轧制力模型现状 | 第11-12页 |
| 1.4 本文研究内容 | 第12-14页 |
| 第2章 铝热连轧轧制力数学模型的研究与仿真 | 第14-26页 |
| 2.1 轧制力数学模型的概述 | 第14-16页 |
| 2.1.1 轧制力数学模型的发展 | 第14页 |
| 2.1.2 轧制压力模型在轧制过程中的作用 | 第14-15页 |
| 2.1.3 影响轧制压力的因素 | 第15-16页 |
| 2.2 轧制力理论计算公式 | 第16-25页 |
| 2.2.1 接触弧水平投影长度cl | 第16-17页 |
| 2.2.2 轧辊压扁半径R′ | 第17-18页 |
| 2.2.3 外摩擦应力状态系数PQ | 第18-19页 |
| 2.2.4 张力影响系数 | 第19-20页 |
| 2.2.5 热轧金属塑性变形阻力 | 第20页 |
| 2.2.6 变形抗力模型回归 | 第20-25页 |
| 2.3 影响轧制压力模型精度的因素 | 第25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 粒子群简介及改进 | 第26-37页 |
| 3.1 群智能算法概况 | 第26-27页 |
| 3.1.1 群智能的由来 | 第26页 |
| 3.1.2 群智能的优化算法 | 第26-27页 |
| 3.2 粒子群优化算法 | 第27-31页 |
| 3.2.1 粒子群优化算法概述 | 第27页 |
| 3.2.2 基本粒子群优化算法 | 第27-28页 |
| 3.2.3 与其他进化算法的比较 | 第28-29页 |
| 3.2.4 改进粒子群算法 | 第29-31页 |
| 3.3 仿真实验分析 | 第31-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 基于改进粒子群算法优化RBF神经网络 | 第37-47页 |
| 4.1 引言 | 第37-38页 |
| 4.2 RBF神经网络 | 第38-43页 |
| 4.2.1 RBF神经网络的研究现状 | 第38页 |
| 4.2.2 RBF神经网络与BP神经网络的区别 | 第38-39页 |
| 4.2.3 RBF神经网络的模型 | 第39-40页 |
| 4.2.4 径向基中心的学习方法 | 第40-43页 |
| 4.3 仿真实验分析 | 第43-46页 |
| 4.3.1 测试函数与参数设置 | 第43页 |
| 4.3.2 实验结果分析 | 第43-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 基于先进算法的铝热连轧轧制力的反建模型及其自学习 | 第47-60页 |
| 5.1 铝热连轧的概述 | 第47-49页 |
| 5.1.1 主要工艺参数 | 第47页 |
| 5.1.2 主要设备参数 | 第47-48页 |
| 5.1.3 铝热连轧的设备构成 | 第48-49页 |
| 5.1.4 铝热连轧计算机系统的主要设备 | 第49页 |
| 5.2 RBF神经网络输入参数选择 | 第49-50页 |
| 5.3 轧制力反建模型的工业验证 | 第50-57页 |
| 5.3.1 样本的数据处理 | 第50-52页 |
| 5.3.2 仿真实验 | 第52-57页 |
| 5.4 模型自学习 | 第57-59页 |
| 5.5 本章小结 | 第59-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第64-65页 |
| 致谢 | 第65-66页 |
| 作者简介 | 第66页 |