| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 论文研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 极限学习机国内外研究现状 | 第13-15页 |
| 1.2.2 带钢轧制国内外研究现状 | 第15-17页 |
| 1.3 论文的主要研究内容 | 第17-18页 |
| 1.4 论文的组织结构 | 第18-19页 |
| 第2章 极限学习机和数据预处理 | 第19-30页 |
| 2.1 单隐层前馈神经网络 | 第19-21页 |
| 2.2 极限学习机 | 第21-27页 |
| 2.2.1 极限学习机网络结构 | 第22-23页 |
| 2.2.2 标准ELM算法 | 第23-26页 |
| 2.2.3 ELM性能分析 | 第26-27页 |
| 2.3 数据预处理 | 第27-28页 |
| 2.3.1 互信息计算 | 第27-28页 |
| 2.3.2 特征选取 | 第28页 |
| 2.4 本章小结 | 第28-30页 |
| 第3章 一种PSOF-ELM预测算法 | 第30-42页 |
| 3.1 ELM改进问题的提出 | 第30页 |
| 3.2 基于卡尔曼滤波思想的反馈极限学习机 | 第30-34页 |
| 3.2.1 卡尔曼滤波思想 | 第30-31页 |
| 3.2.2 卡尔曼滤波优化极限学习机 | 第31-33页 |
| 3.2.3 反馈极限学习机思想 | 第33-34页 |
| 3.3 PSOF-ELM预测算法 | 第34-41页 |
| 3.3.1 基本的PSO算法 | 第35-36页 |
| 3.3.2 PSOF-ELM的基本思想 | 第36-37页 |
| 3.3.3 PSOF-ELM算法流程 | 第37-39页 |
| 3.3.4 PSOF-ELM带钢预测算法模型 | 第39-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 一种D-S证据理论改进极限学习机的预测算法 | 第42-51页 |
| 4.1 问题分析 | 第42页 |
| 4.2 D-S证据理论 | 第42-46页 |
| 4.2.1 基本概念 | 第42-44页 |
| 4.2.2 融合规则 | 第44-45页 |
| 4.2.3 融合模型 | 第45-46页 |
| 4.3 D-S证据理论改进极限学习机的算法 | 第46-50页 |
| 4.3.1 D-S证据理论BPA的设定 | 第46-47页 |
| 4.3.2 D-S证据理论与极限学习机的融合 | 第47-48页 |
| 4.3.3 融合算法流程 | 第48-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第5章 实验结果及分析 | 第51-62页 |
| 5.1 实验装置 | 第51-52页 |
| 5.2 数据预处理 | 第52-55页 |
| 5.2.1 带钢数据的采集及分析 | 第52-53页 |
| 5.2.2 特征参数的选取 | 第53-55页 |
| 5.3 粒子群反馈极限学习机预测算法离线实验 | 第55-59页 |
| 5.3.1 实验评价标准 | 第55-56页 |
| 5.3.2 实验结果 | 第56-58页 |
| 5.3.3 实验分析 | 第58-59页 |
| 5.4 D-S证据理论改进极限学习机的预测算法离线实验 | 第59-61页 |
| 5.4.1 实验结果 | 第59-61页 |
| 5.4.2 实验分析 | 第61页 |
| 5.5 本章小结 | 第61-62页 |
| 第6章 总结与展望 | 第62-64页 |
| 6.1 总结 | 第62-63页 |
| 6.2 展望 | 第63-64页 |
| 致谢 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读学位期间发表的学术论文及参加科研情况 | 第70页 |