| 摘要 | 第1-6页 |
| ABSTRACT | 第6-8页 |
| 目录 | 第8-10页 |
| 第1章 绪论 | 第10-18页 |
| ·课题研究目的和意义 | 第10-12页 |
| ·板形模式识别技术现状 | 第12-14页 |
| ·板形控制技术的研究现状 | 第14-16页 |
| ·课题来源与本文的主要研究内容 | 第16-18页 |
| ·课题来源 | 第16页 |
| ·本文主要研究内容 | 第16-18页 |
| 第2章 基于小波理论的板形信号分析 | 第18-38页 |
| ·引言 | 第18-22页 |
| ·板形的基本概念 | 第18-21页 |
| ·板形的良好条件 | 第21-22页 |
| ·小波变换理论 | 第22-25页 |
| ·傅里叶变换 FT | 第23-24页 |
| ·加窗 FT | 第24页 |
| ·连续小波变换 | 第24-25页 |
| ·离散小波变换 | 第25页 |
| ·板形检测信号小波消噪研究 | 第25-37页 |
| ·板形检测原理及信号分析 | 第26-28页 |
| ·小波阈值消噪原理 | 第28页 |
| ·小波基的选择及评价准则 | 第28-31页 |
| ·板形检测信号消噪的小波基选取试验 | 第31-33页 |
| ·小波分解尺度的选择 | 第33-34页 |
| ·小波消噪中阈值规则的选择及处理方法 | 第34-35页 |
| ·小波消噪对比结果仿真 | 第35-37页 |
| ·板形检测信号小波消噪实例 | 第37页 |
| ·本章小结 | 第37-38页 |
| 第3章 基于自适应混沌粒子群优化的神经网络板形模式识别 | 第38-59页 |
| ·板形基本模式的选择 | 第38-40页 |
| ·自适应混沌粒子群算法 | 第40-44页 |
| ·基本粒子群算法 | 第40-41页 |
| ·混沌粒子群算法 | 第41页 |
| ·自适应粒子群算法 | 第41-43页 |
| ·自适应混沌粒子群算法 | 第43-44页 |
| ·自适应混沌粒子群算法优化 BP 神经网络 | 第44-49页 |
| ·BP 神经网络 | 第44-46页 |
| ·自适应混沌粒子群算法优化 BP 神经网络 | 第46-49页 |
| ·基于自适应混沌粒子群优化神经网络的板形模式识别 | 第49-58页 |
| ·自适应混沌粒子群算法优化板形模式识别神经网络模型 | 第49-54页 |
| ·板形模式识别方法的识别精度比较分析 | 第54-58页 |
| ·本章小结 | 第58-59页 |
| 第4章 板形闭环反馈控制策略及仿真平台 | 第59-70页 |
| ·VISUAL C++概述 | 第59-60页 |
| ·板形控制手段 | 第60-62页 |
| ·仿真平台 | 第62-69页 |
| ·基于 HC 轧机的反馈控制策略 | 第62-63页 |
| ·实测板形反馈控制及可视化界面 | 第63-66页 |
| ·仿真实例与可视化界面 | 第66-69页 |
| ·本章小结 | 第69-70页 |
| 结论 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-77页 |
| 作者简介 | 第77页 |