| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 论文的主要研究工作和结构安排 | 第12-13页 |
| 第2章 钢铁性能预报与深度神经网络 | 第13-24页 |
| 2.1 钢铁轧制工艺简介 | 第13-18页 |
| 2.1.1 热轧工艺流程 | 第13-14页 |
| 2.1.2 化学成分对热轧板带性能影响 | 第14-16页 |
| 2.1.3 热轧温度对板带性能影响 | 第16-17页 |
| 2.1.4 力学性能指标分析 | 第17-18页 |
| 2.2 深度学习理论基础 | 第18-23页 |
| 2.2.1 人工神经网络模型 | 第18页 |
| 2.2.2 深度学习流程 | 第18-20页 |
| 2.2.3 卷积神经网络结构 | 第20页 |
| 2.2.4 局部连接和权值共享 | 第20-22页 |
| 2.2.5 卷积层和亚采样层 | 第22-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第3章 基于深度前馈神经网络预测模型研究 | 第24-42页 |
| 3.1 数据来源及预处理 | 第24-27页 |
| 3.1.1 数据来源 | 第24-25页 |
| 3.1.2 数据清洗 | 第25页 |
| 3.1.3 数据标准化 | 第25-26页 |
| 3.1.4 模型性能度量 | 第26-27页 |
| 3.2 深度前馈神经网络模型构建 | 第27-38页 |
| 3.2.1 激活函数选择 | 第28-29页 |
| 3.2.2 目标优化算法 | 第29-31页 |
| 3.2.3 添加BatchNormalization | 第31-33页 |
| 3.2.4 模型调优 | 第33-36页 |
| 3.2.5 加入正则优化 | 第36-38页 |
| 3.3 结果分析 | 第38-39页 |
| 3.4 与传统方法比较 | 第39-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 基于卷积神经网络预测模型研究 | 第42-48页 |
| 4.1 基于CNN的钢铁性能预测模型构建 | 第42-43页 |
| 4.1.1 基于卷积神经网络钢铁性能预测模型结构 | 第42页 |
| 4.1.2 基于卷积神经网络钢铁性能预测过程 | 第42-43页 |
| 4.2 实验验证分析 | 第43-46页 |
| 4.2.1 卷积核个数 | 第43-44页 |
| 4.2.2 卷积层层数 | 第44页 |
| 4.2.3 卷积窗口大小 | 第44-45页 |
| 4.2.4 学习速率 | 第45-46页 |
| 4.3 结果分析 | 第46-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第5章 结论与展望 | 第48-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 附录1 攻读硕士学位期间发表的论文 | 第54-55页 |
| 大摘要 | 第55-59页 |