| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 绪论 | 第10-19页 |
| 1．1 人工智能在轧制领域中的发展概况 | 第10-14页 |
| 1．1．1 传统轧制分析方法的缺陷 | 第10-11页 |
| 1．1．2 现代轧制技术的特点 | 第11-12页 |
| 1．1．3 人工智能在轧制领域中的应用 | 第12-14页 |
| 1．2 板形控制的发展概况 | 第14-17页 |
| 1．2．1 板形控制技术的发展 | 第14-15页 |
| 1．2．2 板形控制中存在的问题 | 第15-16页 |
| 1．2．3 板形控制的未来发展方向 | 第16-17页 |
| 1．3 本文的主要工作及论文结构安排 | 第17-19页 |
| 第二章 板形控制基础知识 | 第19-27页 |
| 2．1 板形控制基本概念 | 第19-20页 |
| 2．2 板形的表示方法 | 第20-23页 |
| 2．3 良好板形的条件 | 第23-25页 |
| 2．4 板形缺陷及影响板形的因素 | 第25-27页 |
| 第三章 人工智能基本理论 | 第27-40页 |
| 3．1 神经网络简介 | 第27-33页 |
| 3．1．1 神经网络的发展与现状 | 第27-28页 |
| 3．1．2 神经网络特点简介 | 第28-29页 |
| 3．1．3 误差反向传播(BP)网络 | 第29-32页 |
| 3．1．4 CMAC神经网络 | 第32-33页 |
| 3．2 遗传算法基本理论 | 第33-36页 |
| 3．2．1 遗传算法简介 | 第33-35页 |
| 3．2．2 遗传算法关键参数确定 | 第35-36页 |
| 3．2．3 遗传算法的特点 | 第36页 |
| 3．3 模糊控制简介 | 第36-40页 |
| 3．3．1 模糊控制的发展概况 | 第37-38页 |
| 3．3．2 模糊控制基本原理 | 第38-40页 |
| 第四章 板形神经-模糊控制策略的研究 | 第40-71页 |
| 4．1 板形模式识别概述 | 第40-43页 |
| 4．1．1 传统板形模式识别方法分析 | 第41-42页 |
| 4．1．2 板形智能模式识别方法简介 | 第42-43页 |
| 4．2 基于GA的BP网络优化 | 第43-51页 |
| 4．2．1 遗传算法与神经网络结合的必要性 | 第43-44页 |
| 4．2．2 GA优化BP网络过程 | 第44-49页 |
| 4．2．3 仿真实例 | 第49-51页 |
| 4．3 基于GA-BP网络的板形模式识别方法 | 第51-57页 |
| 4．3．1 板形基本模式的确定 | 第52-54页 |
| 4．3．2 GA-BP网络设计 | 第54-57页 |
| 4．4 网络结构优化与与板形模式识别效果分析 | 第57-63页 |
| 4．4．1 网络结构设计优化 | 第57-58页 |
| 4．4．2 测试样本结果分析 | 第58-60页 |
| 4．4．3 实测板形缺陷的识别效果 | 第60-63页 |
| 4．5 板形模糊控制器设计 | 第63-69页 |
| 4．5．1 控制算法推导 | 第64-68页 |
| 4．5．2 仿真实例 | 第68-69页 |
| 4．6 本章小结 | 第69-71页 |
| 第五章 板形板厚综合预测控制策略的研究 | 第71-89页 |
| 5．1 概述 | 第71-72页 |
| 5．2 板形板厚综合系统数学模型 | 第72-75页 |
| 5．3 板形板厚综合预测控制策略设计 | 第75-86页 |
| 5．3．1 预测控制简介 | 第75-76页 |
| 5．3．2 预测控制基本原理 | 第76-78页 |
| 5．3．3 基于BP网络的板形板厚预测模型的建立 | 第78-81页 |
| 5．3．4 基于BP网络预测模型的板形板厚综合控制 | 第81-86页 |
| 5．4 仿真实验 | 第86-87页 |
| 5．5 本章小结 | 第87-89页 |
| 第六章 结论及进一步研究的问题 | 第89-91页 |
| 致谢 | 第91-92页 |
| 参考文献 | 第92-95页 |