辊底式连续退火炉钢温模型研究
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-16页 |
| ·课题研究背景及实际意义 | 第10页 |
| ·系统建模与辨识 | 第10-13页 |
| ·建模过程 | 第11页 |
| ·过程与辨识 | 第11-12页 |
| ·辨识方法 | 第12-13页 |
| ·退火炉钢温模型研究现状 | 第13-14页 |
| ·本文主要工作 | 第14-16页 |
| 第2章 工艺介绍 | 第16-24页 |
| ·退火工艺介绍 | 第16-19页 |
| ·辊底式连续退火炉介绍 | 第19-23页 |
| ·本章小结 | 第23-24页 |
| 第3章 神经网络和智能优化算法理论基础 | 第24-40页 |
| ·神经网络介绍 | 第24-30页 |
| ·神经网络的概述 | 第24页 |
| ·神经网络的结构 | 第24-26页 |
| ·神经网络的类型 | 第26-27页 |
| ·神经网络学习方式 | 第27-28页 |
| ·BP神经网络 | 第28-30页 |
| ·遗传算法(GA) | 第30-35页 |
| ·遗传算法的生物学基础 | 第30-32页 |
| ·遗传算法的基本流程 | 第32-33页 |
| ·遗传编码 | 第33页 |
| ·适应函数 | 第33-34页 |
| ·遗传算子 | 第34-35页 |
| ·模拟退火算法(SA) | 第35-39页 |
| ·模拟退火算法流程 | 第35-37页 |
| ·模拟退火算法冷却进度表的参数分析 | 第37-39页 |
| ·本章小结 | 第39-40页 |
| 第4章 基于神经网络的出钢温度模型 | 第40-50页 |
| ·BP神经网络设计 | 第40-42页 |
| ·基于L-M算法改进BP神经网络 | 第42-47页 |
| ·模型仿真与分析 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 第5章 连续式退火炉钢温模型优化 | 第50-70页 |
| ·基于GA优化神经网络模型 | 第50-58页 |
| ·GA优化神经网络原理 | 第51页 |
| ·GA优化神经网络算法 | 第51-56页 |
| ·模型仿真与分析 | 第56-58页 |
| ·基于SA优化神经网络模型 | 第58-63页 |
| ·SA优化神经网络算法 | 第59-61页 |
| ·模型仿真与分析 | 第61-63页 |
| ·基于SA-GA优化神经网络模型 | 第63-68页 |
| ·SA-GA优化神经网络原理 | 第63-64页 |
| ·SA-GA优化神经网络流程 | 第64-66页 |
| ·模型仿真与分析 | 第66-68页 |
| ·本章小结 | 第68-70页 |
| 第6章 结论与展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-78页 |
| 攻读硕士期间参加项目科研情况 | 第78页 |
