| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-20页 |
| ·热轧层流冷却过程简介 | 第9-14页 |
| ·热轧层流冷却的含义 | 第9-10页 |
| ·热轧层流冷却过程介绍 | 第10-12页 |
| ·热轧层流冷却技术的发展趋势 | 第12页 |
| ·本文所面临的问题 | 第12-14页 |
| ·机器学习方法简介 | 第14-18页 |
| ·机器学习及其分类 | 第14-16页 |
| ·案例推理的产生 | 第16页 |
| ·案例推理的基本原理 | 第16-18页 |
| ·本文对存在的问题所做的工作 | 第18-20页 |
| 2 AFS理论的基本思想和相关定义 | 第20-27页 |
| ·AFS理论简述 | 第20页 |
| ·AFS模糊逻辑的相关内容 | 第20-23页 |
| ·EI代数和 EII代数 | 第20-22页 |
| ·AFS结构 | 第22页 |
| ·AFS模糊逻辑 | 第22-23页 |
| ·AFS模糊逻辑的实际应用 | 第23-27页 |
| ·关于隶属函数的定义 | 第24-25页 |
| ·基于AFS模糊逻辑的模糊聚类分析 | 第25-27页 |
| 3 模糊案例推理(CBR)算法在层流冷却控制中的应用 | 第27-38页 |
| ·模糊案例推理的应用背景 | 第27-28页 |
| ·模糊案例推理算法 | 第28-31页 |
| ·算法描述 | 第28-29页 |
| ·工艺说明 | 第29-30页 |
| ·算法示意图 | 第30-31页 |
| ·对本章所使用数据的说明 | 第31-32页 |
| ·输入输出数据说明 | 第31-32页 |
| ·模糊案例推理算法的应用 | 第32-37页 |
| ·优化部分数据:前馈补偿比例积分参数数据 | 第32-34页 |
| ·优化部分数据:反馈补偿比例积分系数数据 | 第34-36页 |
| ·结果误差分析 | 第36-37页 |
| ·关于本章的小结 | 第37-38页 |
| 4 一种新的模糊规则提取方法及其应用研究 | 第38-51页 |
| ·模糊规则提取技术的发展 | 第38-39页 |
| ·输入变量的聚类分析和模糊集合的初始确定 | 第39-41页 |
| ·输入属性的聚类分析 | 第40页 |
| ·模糊集合及其隶属函数的确定 | 第40-41页 |
| ·逆向规则提取中样本属性的约简与排序 | 第41页 |
| ·模糊规则的提取 | 第41-45页 |
| ·模糊规则的删除与合并 | 第42-43页 |
| ·从模糊规则库中求取新来样本的控制比例系数 | 第43-44页 |
| ·新的模糊规则提取算法示意图 | 第44-45页 |
| ·带钢数据仿真 | 第45-50页 |
| ·硬度等级为320带钢数据仿真-1 | 第45-47页 |
| ·硬度等级为320带钢数据仿真-2 | 第47-49页 |
| ·结果误差分析 | 第49-50页 |
| ·关于本章小结 | 第50-51页 |
| 5 层流冷却仿真平台介绍 | 第51-57页 |
| ·仿真平台的前台人机交互界面 | 第51-55页 |
| ·集成测试仿真结果 | 第55-57页 |
| 6 模糊机器学习的应用及发展前景 | 第57-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 课题资助情况 | 第65页 |
| 攻读硕士学位期间发表学术论文情况 | 第65-67页 |
| 致谢 | 第67-69页 |