| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 引言 | 第9-10页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题研究的背景及意义 | 第10-11页 |
| 1.2 带钢厚度控制技术的发展过程及其研究近况 | 第11-13页 |
| 1.2.1 厚度控制技术的发展 | 第11-12页 |
| 1.2.2 厚度控制技术的研究现状 | 第12-13页 |
| 1.3 主动学习算法概述 | 第13-14页 |
| 1.4 人工神经网络概述神 | 第14-16页 |
| 1.4.1 人工神经网络基本原理及其特点 | 第14-15页 |
| 1.4.2 人工神经网络的发展与其在板厚控制中的应用 | 第15-16页 |
| 1.5 主要研究内容与论文安排 | 第16-18页 |
| 第2章 液压AGC系统结构模型 | 第18-27页 |
| 2.1 厚度控制典型模式 | 第18-21页 |
| 2.1.1 位置控制模式 | 第18-19页 |
| 2.1.2 轧制力控制模式 | 第19-21页 |
| 2.2 液压AGC系统数学模型 | 第21-26页 |
| 2.2.1 PID控制器 | 第21页 |
| 2.2.2 伺服放大器 | 第21页 |
| 2.2.3 电液伺服阀 | 第21-22页 |
| 2.2.4 液压缸 | 第22-24页 |
| 2.2.5 背压回油管道 | 第24-25页 |
| 2.2.6 位移传感器 | 第25页 |
| 2.2.7 测厚仪 | 第25页 |
| 2.2.8 液压AGC系统数学模型 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第3章 基于主动学习的BP神经网络控制算法设计 | 第27-42页 |
| 3.1 BP神经网络 | 第27-31页 |
| 3.1.1 BP神经网络结构 | 第27-28页 |
| 3.1.2 BP算法原理 | 第28-29页 |
| 3.1.3 BP神经网络权值调整规则 | 第29-31页 |
| 3.2 主动学习算法 | 第31-32页 |
| 3.2.1 主动学习基本概念 | 第31-32页 |
| 3.2.2 主动学习算法基于不确定性的采样策略 | 第32页 |
| 3.3 基于主动学习的BP网络板厚控制算法设计 | 第32-34页 |
| 3.3.1 基于主动学习的BP神经网络 | 第32-33页 |
| 3.3.2 基于主动学习的BP神经网络控制器的设计 | 第33-34页 |
| 3.3.3 基于主动学习的BP网络控制器算法实现过程 | 第34页 |
| 3.4 仿真实验 | 第34-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 改进型多层感知器神经网络控制算法设计 | 第42-55页 |
| 4.1 快速下降算法 | 第42-46页 |
| 4.1.1 传统BP算法分析 | 第42页 |
| 4.1.2 快速下降算法 | 第42-44页 |
| 4.1.3 快速下降算法收敛性验证 | 第44-46页 |
| 4.2 基于改进型不确定性采样策略的主动学习 | 第46-47页 |
| 4.3 改进型多层感知器神经网络控制算法设计 | 第47-50页 |
| 4.3.1 改进型多层感知器结构模型及信息处理 | 第47-48页 |
| 4.3.2 改进型多层感知器神经网络自学习流程 | 第48-49页 |
| 4.3.3 改进型多层感知器神经网络控制器的设计 | 第49页 |
| 4.3.4 改进型多层感知器神经网络控制算法实现步骤 | 第49-50页 |
| 4.4 仿真实验 | 第50-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第5章 基于主动学习的板厚控制系统发育模型设计 | 第55-72页 |
| 5.1 动态神经网络结构模型 | 第55-57页 |
| 5.2 动态神经网络结构调整 | 第57-64页 |
| 5.2.1 全局敏感度分析法 | 第57-60页 |
| 5.2.2 动态神经网络结构调整及收敛性分析 | 第60-64页 |
| 5.3 基于主动学习的发育模型设计 | 第64-67页 |
| 5.3.1 主动学习发育模型的设计 | 第64-65页 |
| 5.3.2 控制算法实现步骤 | 第65-67页 |
| 5.4 仿真实验 | 第67-71页 |
| 5.5 本章小结 | 第71-72页 |
| 结论 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78-79页 |
| 导师简介 | 第79-80页 |
| 作者简介 | 第80-81页 |
| 学位论文数据集 | 第81页 |
