| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景 | 第11页 |
| 1.2 研究现状 | 第11-16页 |
| 1.2.1 BP神经网络的研究现状 | 第11-14页 |
| 1.2.2 PSO算法的研究现状 | 第14-16页 |
| 1.3 本文的研究内容 | 第16-17页 |
| 1.4 本文的研究路线 | 第17-19页 |
| 第2章 BP神经网络和PSO的混合算法 | 第19-29页 |
| 2.1 BP神经网络 | 第19-22页 |
| 2.1.1 BP神经网络的结构与学习过程 | 第19-20页 |
| 2.1.2 BP算法的步骤 | 第20-22页 |
| 2.1.3 BP算法的流程图 | 第22页 |
| 2.2 PSO算法 | 第22-24页 |
| 2.2.1 PSO算法的基本原理 | 第22-24页 |
| 2.2.2 PSO算法的步骤 | 第24页 |
| 2.2.3 PSO算法的流程图 | 第24页 |
| 2.3 BP神经网络和PSO的混合算法 | 第24-27页 |
| 2.3.1 混合算法原理 | 第24-26页 |
| 2.3.2 混合算法步骤 | 第26-27页 |
| 2.3.3 混合算法流程图 | 第27页 |
| 2.4 本章小结 | 第27-29页 |
| 第3章 混合算法在炼钢工序能耗预测中的应用 | 第29-45页 |
| 3.1 能耗预测概述 | 第29-31页 |
| 3.1.1 研究背景及意义 | 第29-30页 |
| 3.1.2 国内外研究现状 | 第30-31页 |
| 3.2 混合算法的改进 | 第31-34页 |
| 3.2.1 增加动量项改进BP算法 | 第32-33页 |
| 3.2.2 自适应调节学习率改进BP算法 | 第33页 |
| 3.2.3 时变惯性权重改进PSO算法 | 第33-34页 |
| 3.3 基于PSO的BP神经网络的预测器设计 | 第34-38页 |
| 3.3.1 输入输出量的选择 | 第34-35页 |
| 3.3.2 输入输出数据的预处理 | 第35-36页 |
| 3.3.3 网络结构设计 | 第36-37页 |
| 3.3.4 初始权值和阈值的设计 | 第37页 |
| 3.3.5 网络信息容量与训练样本数 | 第37页 |
| 3.3.6 网络训练与测试 | 第37-38页 |
| 3.4 算法运行结果 | 第38-42页 |
| 3.4.1 训练样本的获取 | 第38-39页 |
| 3.4.2 测试样本的获取 | 第39页 |
| 3.4.3 预测器的预测结果 | 第39-42页 |
| 3.5 本章小结 | 第42-45页 |
| 第4章 混合算法在冷轧带钢表面缺陷分类中的应用 | 第45-61页 |
| 4.1 冷轧带钢表面缺陷检测技术概述 | 第45-48页 |
| 4.1.1 冷轧带钢表面缺陷检测技术的发展及研究现状 | 第45-47页 |
| 4.1.2 冷轧带钢表面缺陷检测技术的意义 | 第47-48页 |
| 4.2 混合算法的改进 | 第48-50页 |
| 4.2.1 增加动量项改进BP算法 | 第48-49页 |
| 4.2.2 引入陡度因子改进BP算法 | 第49-50页 |
| 4.2.3 增加收缩因子改进PSO算法 | 第50页 |
| 4.3 基于PSO的BP神经网络的分类器设计 | 第50-57页 |
| 4.3.1 输入量的提取与表示 | 第50-54页 |
| 4.3.2 输出量的表示 | 第54页 |
| 4.3.3 训练集的设计 | 第54-55页 |
| 4.3.4 网络结构设计 | 第55-56页 |
| 4.3.5 初始权值和阈值的设计 | 第56页 |
| 4.3.6 网络训练与测试 | 第56-57页 |
| 4.4 算法运行结果 | 第57-59页 |
| 4.4.1 训练样本的获取 | 第57页 |
| 4.4.2 测试样本的获取 | 第57-58页 |
| 4.4.3 分类器的识别结果 | 第58-59页 |
| 4.5 本章小结 | 第59-61页 |
| 第5章 冷轧带钢表面缺陷监测软件系统 | 第61-67页 |
| 5.1 软件系统设计方案 | 第61页 |
| 5.2 软件系统功能模块介绍 | 第61-66页 |
| 5.3 本章小结 | 第66-67页 |
| 第6章 结论与未来展望 | 第67-69页 |
| 参考文献 | 第69-75页 |
| 致谢 | 第75页 |