| 1． 文献综述 | 第1-33页 |
| 1．1 序言 | 第7-12页 |
| 1．2 传统轧制力预报模型 | 第12-17页 |
| 1．2．1 精轧机组各机架轧制力预报模型所需数据 | 第12页 |
| 1．2．2 传统轧制力预报所需模型 | 第12-17页 |
| 1．2．2．1 轧制压力计算公式 | 第12页 |
| 1．2．2．2 精轧入口处的温度T_（FO）阳计算模型 | 第12-13页 |
| 1．2．2．3 精轧机组温降模型 | 第13页 |
| 1．2．2．4 计算轧制压力所需的轧制变形区参数 | 第13-14页 |
| 1．2．2．5 应力状态影响系数Qp计算模型 | 第14-16页 |
| 1．2．2．6 变形阻力σ计算模型 | 第16-17页 |
| 1．3 回归模型 | 第17-19页 |
| 1．3．1 变形阻力模型结构的选取与回归统计 | 第18-19页 |
| 1．3．2 应力状态影响系数模型结构的选取与回归统计 | 第19页 |
| 1．4 人工神经网络预报轧制压力理论基础 | 第19-33页 |
| 1．4．1 人工神经网络的生物基础 | 第19-21页 |
| 1．4．2 人工神经网络的主要特征及其数学描述 | 第21-23页 |
| 1．4．2．1 特点介绍 | 第21页 |
| 1．4．2．2 神经元数学描述 | 第21-23页 |
| 1．4．3 人工神经网络的拓扑结构 | 第23-24页 |
| 1．4．4 神经网络的模型分类 | 第24-25页 |
| 1．4．5 BP神经网络 | 第25-33页 |
| 1．4．5．1 BP神经网络简介 | 第25-26页 |
| 1．4．5．2 BP网络的学习算法 | 第26-29页 |
| 1．4．5．3 BP算法的改进 | 第29-30页 |
| 1．4．5．4 BP神经网络设计 | 第30-33页 |
| 2． 编程工具的相关说明 | 第33-36页 |
| 2．1 Visual C++6 | 第33页 |
| 2．2 DataFit数据拟和软件 | 第33-34页 |
| 2．3 MatLab 5．5 | 第34-36页 |
| 3． 实验对象的介绍 | 第36-40页 |
| 3．1 武钢热轧精轧机组介绍 | 第36-37页 |
| 3．2 实验数据的选择 | 第37-40页 |
| 4． 研究方案及结果 | 第40-60页 |
| 4．1 实验方案说明 | 第40页 |
| 4．2 传统轧制力模型的应用 | 第40-41页 |
| 4．3 回归模型的应用 | 第41-49页 |
| 4．3．1 武钢热轧现场模型 | 第41-42页 |
| 4．3．2 回归模型 | 第42-49页 |
| 4．3．2．1 变形阻力σ模型 | 第42-46页 |
| 4．3．2．1．1 方案一 | 第42-45页 |
| 4．3．2．1．2 方案二 | 第45-46页 |
| 4．3．2．1．3 方案三 | 第46页 |
| 4．3．2．2 应力状态影响系数Qp模型 | 第46-49页 |
| 4．3．2．2．1 方案四 | 第46-47页 |
| 4．3．2．2．2 方案五 | 第47-48页 |
| 4．3．2．2．3 方案六 | 第48-49页 |
| 4．4 BP网络的应用 | 第49-58页 |
| 4．4．1 方案七 | 第50页 |
| 4．4．2 方案八 | 第50-51页 |
| 4．4．3 方案九 | 第51-52页 |
| 4．4．4 方案十 | 第52-54页 |
| 4．4．5 方案十一 | 第54-56页 |
| 4．4．6 方案十二 | 第56-58页 |
| 4．5 实验结论 | 第58-60页 |
| 参考文献 | 第60-62页 |
| 致谢 | 第62页 |